训练DDPG代理摆动和平衡摆

这个示例使用:

这个例子展示了如何训练一个深度确定性策略梯度(DDPG)代理，以使在Simulink®中建模的摆起和平衡。金宝app

有关DDPG代理的更多信息，请参见深度确定性政策梯度代理．有关在MATLAB®中训练DDPG代理的示例，请参见训练DDPG代理控制双集成商系统．

摆摆起模型

本例的强化学习环境是一个简单的无摩擦摆，最初以向下的位置悬挂。训练目标是用最小的控制努力使钟摆直立而不跌倒。

打开模型。

mdl =“rlSimplePendulumModel”;open_system (mdl)

对于这个模型:

向上的平衡摆位置为0弧度，向下悬挂的位置是π弧度。
从药剂到环境的扭矩作用信号为-2到2 N·m。
从环境中观察到的是摆角的正弦，摆角的余弦，以及摆角的导数。
奖励 $r_{t}$ ，在每个时间步中提供，为

$r_{t} ＝ - （ {θ_{t}}^{2} + 0 ． 1 {\dot{θ_{t}}}^{2} + 0 ． 001 u_{t - 1}^{2} ）$

在这里:

$θ_{t}$ 是垂直位置的位移角。
$\dot{θ_{t}}$ 是位移角的导数。
$u_{t - 1}$ 来自前一个时间步骤的控制工作。

有关此模型的更多信息，请参见加载预定义的Simulink环境金宝app．

创建环境接口

为钟摆创建一个预定义的环境接口。

env = rlPredefinedEnv (“SimplePendulumModel-Continuous”）

env = 金宝appSimulinkEnvWithAgent with properties: Model: rlSimplePendulumModel AgentBlock: rlSimplePendulumModel/RL Agent ResetFcn: [] UseFastRestart: on . env = SimulinkEnvWithAgent with properties: Model: rlSimplePendulumModel AgentBlock: rlSimplePendulumModel/RL Agent ResetFcn: [] UseFastRestart: on

界面有一个连续的作用空间，在这个空间中，agents可以对摆施加-2到2 N·m之间的扭矩值。

设置环境观测值为摆角的正弦值、摆角的余弦值和摆角的导数值。

numObs = 3;set_param (“rlSimplePendulumModel /创建观察”，“ThetaObservationHandling”，“要求”）;

若要定义钟摆的初始条件为向下悬挂，请使用匿名函数句柄指定一个环境重置函数。这个重置函数设置模型工作空间变量theta0来π．

env。ResetFcn = @(在)setVariable (,“theta0”π,“工作区”、mdl);

指定模拟时间特遣部队和试剂取样时间Ts在几秒钟内。

t = 0.05;Tf = 20;

修复了可重复性的随机生成器种子。

rng (0)

创建DDPG代理

DDPG代理使用评价值函数表示对给定的观察和行动的长期回报进行近似。要创建批评家，首先要创建一个深度神经网络，它有两个输入(状态和动作)和一个输出。有关创建深度神经网络值函数表示的更多信息，请参见创建策略和值函数表示．

statePath = [featureInputLayer(numObs，“归一化”，“没有”，“名字”，“观察”) fullyConnectedLayer (400,“名字”，“CriticStateFC1”) reluLayer (“名字”，“CriticRelu1”) fullyConnectedLayer (300,“名字”，“CriticStateFC2”));actionPath = [featureInputLayer(1，“归一化”，“没有”，“名字”，“行动”) fullyConnectedLayer (300,“名字”，“CriticActionFC1”，“BiasLearnRateFactor”, 0)];commonPath = [addtionlayer (2，“名字”，“添加”) reluLayer (“名字”，“CriticCommonRelu”) fullyConnectedLayer (1,“名字”，“CriticOutput”));criticNetwork = layerGraph ();criticNetwork = addLayers (criticNetwork statePath);criticNetwork = addLayers (criticNetwork actionPath);criticNetwork = addLayers (criticNetwork commonPath);criticNetwork = connectLayers (criticNetwork,“CriticStateFC2”，“添加/三机一体”）;criticNetwork = connectLayers (criticNetwork,“CriticActionFC1”，“添加/ in2”）;

查看批评网络配置。

图绘制(criticNetwork)

图中包含一个轴。这些轴包含一个graphplot类型的对象。

使用rlRepresentationOptions．

criticOpts = rlRepresentationOptions (“LearnRate”1 e 03“GradientThreshold”1);

使用指定的深度神经网络和选项创建评论表示。您还必须为评论家指定操作和观察信息，这些信息可以从环境接口获得。有关更多信息，请参见rlQValueRepresentation．

obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);评论家= rlQValueRepresentation (criticNetwork obsInfo actInfo,“观察”, {“观察”}，“行动”, {“行动”}, criticOpts);

DDPG代理使用参与者表示来决定采取何种操作。要创建参与者，首先要创建一个深度神经网络，一个输入，观察，一个输出，动作。

以类似于评论家的方式构建演员。有关更多信息，请参见rlDeterministicActorRepresentation．

[featureInputLayer(numObs，“归一化”，“没有”，“名字”，“观察”) fullyConnectedLayer (400,“名字”，“ActorFC1”) reluLayer (“名字”，“ActorRelu1”) fullyConnectedLayer (300,“名字”，“ActorFC2”) reluLayer (“名字”，“ActorRelu2”) fullyConnectedLayer (1,“名字”，“ActorFC3”) tanhLayer (“名字”，“ActorTanh”) scalingLayer (“名字”，“ActorScaling”，“规模”马克斯(actInfo.UpperLimit)));actorOpts = rlRepresentationOptions (“LearnRate”1 e-04“GradientThreshold”1);演员= rlDeterministicActorRepresentation (actorNetwork obsInfo actInfo,“观察”, {“观察”}，“行动”, {“ActorScaling”}, actorOpts);

要创建DDPG代理，首先使用指定DDPG代理选项rlDDPGAgentOptions．

agentOpts = rlDDPGAgentOptions (．..“SampleTime”Ts,．..“TargetSmoothFactor”1 e - 3,．..“ExperienceBufferLength”1 e6,．..“DiscountFactor”, 0.99,．..“MiniBatchSize”, 128);agentOpts.NoiseOptions.StandardDeviation = 0.6;agentOpts.NoiseOptions.StandardDeviationDecayRate = 1 e-5;

然后使用指定的参与者表示、评论家表示和代理选项创建DDPG代理。有关更多信息，请参见rlDDPGAgent．

代理= rlDDPGAgent(演员、评论家、agentOpts);

火车代理

要训练代理，首先指定训练选项。对于本例，使用以下选项。

训练最多50000集，每集最多持续装天花板(Tf / Ts)时间的步骤。
在“章节管理器”对话框中显示培训进度(设置情节选项)，并禁用命令行显示(设置详细的选项假)．
当特工连续5次获得的平均累积奖励超过-740时，停止训练。在这一点上，代理可以快速平衡摆在直立位置使用最小的控制努力。
在累积奖励大于-740的每一集保存一份代理人的副本。

有关更多信息，请参见rlTrainingOptions．

maxepisodes = 5000;maxsteps =装天花板(Tf / Ts);trainOpts = rlTrainingOptions (．..“MaxEpisodes”maxepisodes,．..“MaxStepsPerEpisode”maxsteps,．..“ScoreAveragingWindowLength”5,．..“详细”假的,．..“阴谋”，“训练进步”，．..“StopTrainingCriteria”，“AverageReward”，．..“StopTrainingValue”, -740,．..“SaveAgentCriteria”，“EpisodeReward”，．..“SaveAgentValue”, -740);

训练特工使用火车函数。训练这个代理是一个需要数小时才能完成的计算密集型过程。为了节省运行这个示例时的时间，可以通过设置加载一个预先训练过的代理doTraining来假．亲自训练探员，预备doTraining来真正的．

doTraining = false;如果doTraining%训练特工。trainingStats =火车(代理,env, trainOpts);其他的%为示例加载预训练的代理。负载(“金宝appSimulinkPendulumDDPG.mat”，“代理”）结束

模拟DDPG代理

为了验证训练过的代理的性能，在钟摆环境中模拟它。有关代理模拟的更多信息，请参见rlSimulationOptions和sim卡．

simOptions = rlSimulationOptions (“MaxSteps”, 500);经验= sim (env,代理,simOptions);

图单摆可视化器包含一个轴。坐标轴包含两个类型为line和rectangle的对象。

另请参阅

rlDDPGAgent|rl金宝appSimulinkEnv|火车

训练DDPG代理摆动和平衡摆

摆摆起模型

创建环境接口

创建DDPG代理

火车代理

模拟DDPG代理

另请参阅

相关的话题

强化学习工具箱文档

金宝app

用MATLAB和Simulink强化学习金宝app