Il Deep Reinforcement Learning è una branca del Machine Learning che consente di implementare controller e algoritmi decisionali su applicazioni complesse quali i robot e i sistemi autonomi. Il Deep Reinforcement Learning consente di addestrare le reti neurali ad apprendere comportamenti complessi utilizzando dati generati dinamicamente da sistemi simulati o fisici.
Usando MATLAB, Simulink e Reinforcement Learning Toolbox puoi effettuare tutto il workflow per progettare e distribuire un sistema di Deep Reinforcement Learning. Sarà possibile:
- Scambiare, valutare e confrontare i più diffusi algoritmi di Deep Reinforcement Learning
- Addestrare politiche in modo interattivo con l'applicazione Reinforcement Learning Designer
- Modellare l'ambiente di addestramento in MATLAB e Simulink per ridurre il rischio di danneggiare l'hardware
- Utilizzare le reti neurali per creare politiche di Deep Reinforcement Learning in modo interattivo o programmatico
- Distribuire le politiche di Deep Reinforcement Learning su dispositivi embedded o sul Cloud
"Il 5G è un'infrastruttura critica che dobbiamo proteggere dagli attacchi avversari. Reinforcement Learning Toolbox ci consente di valutare rapidamente le vulnerabilità del 5G e di identificare i metodi di mitigazione".
Perché usare MATLAB e Simulink per il Deep Reinforcement Learning?
Workflow interattivo visivo con Reinforcement Learning Designer
Crea, addestra e simula agenti di Deep Reinforcement Learning in modo interattivo con l'applicazione Reinforcement Learning Designer. Sfrutta la guida automatica per la selezione del tipo di agente appropriato. Scegli tra i più diffusi algoritmi di Deep Reinforcement Learning, come Deep Deterministic Policy Gradient (DDPG), Soft Actor Critic (SAC) e Proximal Policy Optimization (PPO).
Formazione, test a livello di sistema e implementazione con la progettazione Model-Based
Modella l'ambiente di addestramento in Simulink (o MATLAB) per ridurre il rischio di danneggiamento dell'hardware. Integrazione semplice dei modelli ambientali con agenti di Deep Reinforcement Learning utilizzando il RL Agent block. Addestra politiche in serie o in parallelo e verificale attraverso simulazioni (a livello di sistema) e test Software-In-the-Loop (SIL)/Hardware-In-the-Loop (HIL). Distribuisci le politiche addestrata ai dispositivi incorporati o al Cloud.
Creazione automatizzata e interattiva di politiche di reti neurali
Utilizza architetture di reti neurali autogenerate specifiche al problema, per creare agenti di Deep Reinforcement Learning senza alcuna esperienza nella progettazione di politiche di reti neurali. Utilizza l'architettura della rete neurale suggerita così com'è, oppure perfezionala con l'applicazione Deep Network Designer (approccio interattivo) o con i livelli di Deep Learning Toolbox (approccio programmatico). Applica funzionalità di importazione ed esportazione per interoperare con le rappresentazioni di reti neurali in framework di terze parti.
Esempi e applicazioni di riferimento
Inizia a lavorare con il Deep Reinforcement Learning per progettare controller e algoritmi decisionali per la robotica, la guida autonoma, la calibrazione, la pianificazione e altre applicazioni. Consulta i nostri esempi di riferimento e sperimenta l'addestramento a uno o più agenti, l'apprendimento online e offline, i metodi senza modello e i metodi Model-Based, nonché le strategie di apprendimento basate sul gradiente e sull'evoluzione.
Scopri come utilizzare MATLAB e Simulink per il Deep Reinforcement Learning
Prodotti
Scopri i prodotti utilizzati con il Deep Reinforcement Learning.
30 giorni di prova gratuita
Per iniziare
Hai domande?
Parla con un esperto di Deep Reinforcement Learning.
