本示例展示了如何创建一个深度q学习网络(DQN)代理,该代理可以向上摆动并平衡MATLAB®建模的摆。在本例中,创建DQN代理使用深度网络设计器.有关DQN代理的更多信息,请参见深度q -网络代理.
本例中的强化学习环境是一个简单的无摩擦摆,最初悬挂在一个向下的位置。训练目标是用最小的控制力使钟摆直立而不倒。
对于这种环境:
向上平衡摆的位置为0
弧度,向下悬挂的位置是π
弧度。
从药剂到环境的力矩动作信号为-2 ~ 2n·m。
从环境观测得到的是摆的简化灰度图像和摆角导数。
奖励 ,则为
在这里:
是垂直位置的位移角。
是位移角的导数。
是前一个时间步长的控制效果。
有关此模型的更多信息,请参见训练DDPG Agent用图像观察摆动和平衡摆.
为摆创建一个预定义的环境接口。
环境= rlPredefinedEnv(“SimplePendulumWithImage-Discrete”);
该界面有两个观测值。第一个观察,命名为“pendImage”
,为50x50灰度图像。
obsInfo = getObservationInfo(env);obsInfo (1)
ans = rlNumericSpec with properties: LowerLimit: 0 UpperLimit: 1名称:"pendImage"描述:[0x0 string]尺寸:[50 50]数据类型:"double"
第二个观察,命名为“angularRate”
为钟摆的角速度。
obsInfo (2)
ans = rlNumericSpec with properties: LowerLimit: -Inf UpperLimit: Inf名称:"angularRate"描述:[0x0 string]维度:[1 1]数据类型:"double"
该界面有一个离散的动作空间,代理可以将五个可能的扭矩值之一施加到摆上:-2、-1、0、1或2 N·m。
getActionInfo(env)
actInfo = rlFiniteSetSpec与属性:元素:[-2 -1 0 1 2]名称:“扭矩”描述:[0x0字符串]尺寸:[1 1]数据类型:“双”
固定随机生成器种子的再现性。
rng (0)
DQN智能体在给定观察和行动的情况下,使用临界值函数表示来近似长期奖励。对于这种环境,评论家是一个具有三个输入(两个观察和一个动作)和一个输出的深度神经网络。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.
可以交互式地构建评论家网络深度网络设计器要做到这一点,你首先为每个观察和操作创建单独的输入路径。这些路径从各自的输入中学习较低级别的特征。然后创建一个公共输出路径,该路径组合来自输入路径的输出。
创建图像观察路径
要创建图像观察路径,首先拖动imageInputLayer
从层的图书馆窗格到画布上。设置图层InputSize来50岁,50岁,1
用于图像的观察,并设置归一化来没有一个
.
第二步,拖动convolution2DLayer
到画布上,并将此层的输入连接到I的输出mageInputLayer
.创建卷积层2
过滤器(NumFilters属性),其高度和宽度为10
(FilterSize属性),并使用一个步幅5
在水平和垂直方向(步属性)。
最后,用两组图像完成图像路径网络reLULayer
而且fullyConnectedLayer
层。第一个和第二个的输出大小fullyConnectedLayer
图层分别是400和300。
创建所有输入路径和输出路径
以类似的方式构造其他输入路径和输出路径。对于本例,使用以下选项。
角速度路径(标量输入):
imageInputLayer
——设置InputSize来1, - 1
而且归一化来没有一个
.
fullyConnectedLayer
——设置OutputSize来400
.
reLULayer
fullyConnectedLayer
——设置OutputSize来300
.
操作路径(标量输入):
imageInputLayer
——设置InputSize来1, - 1
而且归一化来没有一个
.
fullyConnectedLayer
——设置OutputSize来300
.
输出路径:
additionLayer
-将所有输入路径的输出连接到该层的输入。
reLULayer
fullyConnectedLayer
——设置OutputSize来1
对于标量值函数。
要将网络导出到MATLAB工作区,请在深度网络设计器,点击出口.深度网络设计器将网络导出为包含网络层的新变量。您可以使用此层网络变量创建评论家表示。
或者,要为网络生成等效的MATLAB代码,请单击导出>生成代码.
生成的代码如下所示。
lgraph = layerGraph();tempLayers = [imageInputLayer([1 1 1],“名称”,“angularRate”,“归一化”,“没有”) fullyConnectedLayer (400,“名称”,“dtheta_fc1”) reluLayer (“名称”,“dtheta_relu1”) fullyConnectedLayer (300,“名称”,“dtheta_fc2”));lgraph = addLayers(lgraph,tempLayers);tempLayers = [imageInputLayer([1 1 1],“名称”,“扭矩”,“归一化”,“没有”) fullyConnectedLayer (300,“名称”,“torque_fc1”));lgraph = addLayers(lgraph,tempLayers);tempLayers = [imageInputLayer([50 50 1],“名称”,“pendImage”,“归一化”,“没有”)卷积2dlayer ([10 10],2,“名称”,“img_conv1”,“填充”,“相同”,“步”,[5 5]) relullayer (“名称”,“relu_1”) fullyConnectedLayer (400,“名称”,“critic_theta_fc1”) reluLayer (“名称”,“theta_relu1”) fullyConnectedLayer (300,“名称”,“critic_theta_fc2”));lgraph = addLayers(lgraph,tempLayers);tempLayers = [addtionlayer (3,“名称”,“添加”) reluLayer (“名称”,“relu_2”) fullyConnectedLayer (1,“名称”,“stateValue”));lgraph = addLayers(lgraph,tempLayers);lgraph = connectLayers(“torque_fc1”,“添加/ in3”);lgraph = connectLayers(“critic_theta_fc2”,“添加/三机一体”);lgraph = connectLayers(“dtheta_fc2”,“添加/ in2”);
查看关键网络配置。
图绘制(lgraph)
使用指定评论家表示的选项rlRepresentationOptions
.
criticOpts = rlRepresentationOptions(“LearnRate”1 e 03“GradientThreshold”1);
使用指定的深度神经网络创建评论家表示lgraph
和选项。您还必须为评论家指定操作和观察信息,这些信息是您从环境接口获得的。有关更多信息,请参见rlQValueRepresentation
.
rlQValueRepresentation(lgraph,obsInfo,actInfo,...“观察”, {“pendImage”,“angularRate”},“行动”, {“扭矩”}, criticOpts);
要创建DQN代理,首先使用指定DQN代理选项rlDQNAgentOptions
.
agentOpts = rlDQNAgentOptions(...“UseDoubleDQN”假的,...“TargetUpdateMethod”,“平滑”,...“TargetSmoothFactor”1 e - 3,...“ExperienceBufferLength”1 e6,...“DiscountFactor”, 0.99,...“SampleTime”env。Ts,...“MiniBatchSize”, 64);agentopt . epsilongreedyexploration . epsilondecay = 1e-5;
然后,使用指定的批评表示和代理选项创建DQN代理。有关更多信息,请参见rlDQNAgent
.
agent = rlDQNAgent(批评家,agentOpts);
要培训代理,首先指定培训选项。对于本例,使用以下选项。
每次训练最多运行5000集,每集最多持续500个时间步。
在“事件管理器”对话框中显示培训进度情节
选项)并禁用命令行显示(设置详细的
选项假
).
当代理在连续五集的默认窗口长度内收到的平均累积奖励大于-1000时停止训练。在这一点上,代理可以用最小的控制努力快速平衡摆在直立位置。
有关更多信息,请参见rlTrainingOptions
.
trainOpts = rlTrainingOptions(...“MaxEpisodes”, 5000,...“MaxStepsPerEpisode”, 500,...“详细”假的,...“阴谋”,“训练进步”,...“StopTrainingCriteria”,“AverageReward”,...“StopTrainingValue”, -1000);
控件可以在训练或模拟过程中可视化摆系统情节
函数。
情节(env)
培训代理使用火车
函数。这是一个计算密集型的过程,需要几个小时才能完成。为了在运行此示例时节省时间,请通过设置加载预训练的代理doTraining
来假
.要亲自训练特工,请设置doTraining
来真正的
.
doTraining = false;如果doTraining培训代理。trainingStats = train(agent,env,trainOpts);其他的为示例加载预训练的代理。负载(“MATLABPendImageDQN.mat”,“代理”);结束
为了验证训练代理的性能,在摆环境中进行了仿真。有关代理模拟的详细信息,请参见rlSimulationOptions
而且sim卡
.
simOptions = rlSimulationOptions(“MaxSteps”, 500);experience = sim(env,agent,simOptions);
totalReward =总和(经验。奖励)
totalReward = -888.9802