Reinforcement Learning Toolbox
Progettare e addestrare politiche utilizzando il reinforcement learning
Reinforcement Learning Toolbox™ fornisce funzioni e blocchi per le politiche di addestramento utilizzando algoritmi di reinforcement learning tra cui DQN, A2C e DDPG. È possibile utilizzare questi algoritmi per implementare controllori e algoritmi di decision-making per sistemi complessi come robot e sistemi autonomi. È possibile implementare queste politiche utilizzando reti neurali profonde, polinomi o look-up table.
Il toolbox ti permette di addestrare politiche grazie all’interazione con ambienti rappresentati da modelli MATLAB® o Simulink®. È possibile valutare algoritmi, sperimentare le impostazioni degli iperparametri e monitorare il progresso dell’addestramento. Per migliorare le prestazioni di addestramento, è possibile eseguire simulazioni in parallelo nel cloud, in cluster di computer e GPU (con Parallel Computing Toolbox™ e MATLAB Parallel Server™).
Attraverso il formato del modello ONNX™, è possibile importare politiche esistenti da framework di deep learning come TensorFlow™ Keras e PyTorch (con Deep Learning Toolbox™). È possibile generare codice C, C++ e CUDA ottimizzati per distribuire politiche addestrate su microcontrollore e GPU.
Il toolbox include esempi di riferimento per l’uso del reinforcement learning per progettare controllori per applicazioni di robotica e di guida autonoma.
Inizia ora:
E-book gratuito
Reinforcement learning con MATLAB e Simulink
Algoritmi di reinforcement learning
Implementa agenti utilizzando Deep Q-Network (DQN), Advantage Actor Critic (A2C), Deep Deterministic Policy Gradients (DDPG) e altri algoritmi integrati. Utilizza template per implementare agenti personalizzati per le politiche di addestramento.
Gli agenti comprendono una politica e un algoritmo.
Rappresentazione della funzione del valore e della politica utilizzando reti neurali profonde
Utilizza le politiche di una rete neurale profonda per sistemi complessi con ampi spazi azione-stato. Definisci le politiche utilizzando reti e architetture dal Deep Learning Toolbox. Importa modelli ONNX per l’interoperabilità con altri framework di deep learning.
Blocchi Simulink per agenti
Implementa e addestra agenti di reinforcement learning in Simulink.
Blocco Agente di reinforcement learning per Simulink.
Ambienti Simulink e Simscape
Utilizza modelli Simulink e Simscape™ per rappresentare un ambiente. Specifica i segnali di osservazione, azione e compensazione all’interno del modello.
Modello di ambiente Simulink per un pendolo inverso.
Ambienti MATLAB
Utilizza funzioni e classi MATLAB per rappresentare un ambiente. Specifica variabili di osservazione, azione e compensazione all’interno del file MATLAB.
Ambiente MATLAB per il sistema cart-pole.
Calcolo distribuito e accelerazione multicore
Accelera l’addestramento eseguendo simulazioni parallele su computer multicore, risorse cloud o cluster di computer utilizzando Parallel Computing Toolbox e MATLAB Parallel Server.
Accelera l’addestramento utilizzando il calcolo parallelo.
Accelerazione GPU
Accelera l’addestramento delle reti neurali profonde e l’inferenza con GPU NVIDIA® ad alte prestazioni. Utilizza MATLAB con Parallel Computing Toolbox e la maggior parte delle GPU NVIDIA abilitate per CUDA® che hanno una capacità di elaborazione pari o superiore a 3.0.
Accelerazione dell’addestramento utilizzando GPU.
Generazione di codice
Utilizza GPU Coder™ per generare codice CUDA ottimizzato dal codice MATLAB che rappresenta le politiche addestrate. Utilizza MATLAB Coder™ per generare codice C/C++ per distribuire politiche.
Generazione di codice CUDA utilizzando GPU Coder.
Supporto per MATLAB Compiler
Utilizza MATLAB Compiler™ e MATLAB Compiler SDK™ per distribuire politiche addestrate come librerie condivise C/C++, assembly Microsoft® .NET, classi Java® e pacchetti Python®.
Pacchetto e condivisione di politiche come programmi standalone.
Per iniziare
Implementa controllori basati sul reinforcement learning per problemi come il bilanciamento di un pendolo inverso, la navigazione in un problema di rete globale e il bilanciamento di un sistema cart-pole.
Risoluzione di un problema di rete globale.
Applicazioni per la guida autonoma
Progetta controllori per sistemi antisbandamento e cruise control adattivo.
Addestramento di un sistema antisbandamento.
Robotica
Progetta controllori per robot utilizzando il reinfrocement learning.
Addestrare un robot a camminare utilizzando il reinforcement learning.
Agente TD3
creazione di agent di gradienti di criteri deterministici profondi twin-delayed (TD3) che spesso mostrano migliori prestazioni e maggiore velocità di apprendimento rispetto agli agenti DDPG
Nuovi agenti per spazi di azione continua
utilizzare gli agenti PPO, TD3, AC e PG con spazi di azione continua
Criteri LSTM
creare criteri per reti neurali utilizzando reti Long Short-Term Memory (LSTM) per agenti DQN e PPO
Consulta le note di rilascio per ulteriori informazioni su queste caratteristiche e sulle funzioni corrispondenti.
Reinforcement Learning Video Series
Watch the videos in this series to learn about reinforcement learning.
