训练DDPG代理用总线信号上摆和平衡摆

这个示例使用:

本例展示了如何将一个简单的无摩擦摆Simulink®模型转换为强化学习环境接口，并在此环境中训练一个深度确定性策略梯度(DDPG)代理。

有关DDPG代理的更多信息，请参见深度确定性策略梯度(DDPG)代理．有关如何在MATLAB®中训练DDPG代理的示例，请参见训练DDPG代理控制双积分器系统．

带总线的摆上摆模型

本例的初始模型是一个简单的无摩擦摆。训练目标是用最小的控制力使钟摆直立而不跌倒。

打开模型。

mdl =“rlSimplePendulumModelBus”；open_system (mdl)

对于这个模型:

向上平衡的钟摆位置为0弧度，向下悬挂的位置是π弧度。
从试剂到环境的扭矩动作信号在-2到2 N·m之间。
从环境中观察到的是摆角的正弦值，摆角的余弦值，以及摆角的导数。
观察信号和动作信号都是Simulink总线。
奖励 $r_{t}$ ，在每个时间步上提供，为

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

在这里:

$θ_{t}$ 为从直立位置的位移角。
$\dot{θ_{t}}$ 是位移角的导数。
$u_{t - 1}$ 是来自前一个时间步骤的控制努力。

本例中使用的模型类似于中描述的简单摆模型加载预定义的Simulink环境．不同之处在于，本例中的模型使用Simulink总线来处理动作和观察信号。

使用总线创建环境接口

从Simulink模型创建的环境接口使用rlSimulinkEnv，这需要Simulink模型的名称、到代理块的路径以及观察和动作强化学习的数据规范。对于使用总线信号进行操作或观察的模型，您可以使用bus2RLSpec函数。

指定代理块的路径。

agentBlk =“rlSimplePendulumModelBus / RL代理”；

创建一个观察公共汽车对象。

obsBus = Simulink.Bus ();奥林匹克广播服务公司(1)= Simulink.BusElement;奥林匹克广播服务公司(1)。Name =“sin_theta”；奥林匹克广播服务公司(2)= Simulink.BusElement;奥林匹克广播服务公司(2)。Name =“cos_theta”；奥林匹克广播服务公司(3)= Simulink.BusElement;奥林匹克广播服务公司(3)。Name =“dtheta”；obsBus。元素=奥林匹克广播服务公司;

创建行动公共汽车对象。

actBus = Simulink.Bus ();行为(1)= Simulink.BusElement;(1)行动。Name =“τ”；(1)行动。Min = 2;(1)行动。Max = 2;actBus。元素=行为;

使用Simulink总线创建操作和观察规范对象。

obsInfo = bus2RLSpec (“obsBus”，“模型”、mdl);actInfo = bus2RLSpec (“actBus”，“模型”、mdl);

为钟摆模型创建强化学习环境。

env = rlSimulinkEnv (mdl agentBlk、obsInfo actInfo);

要将钟摆的初始条件定义为向下悬挂，请使用匿名函数句柄指定环境重置函数。这个reset函数设置模型工作区变量theta0来π．

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

指定模拟时间特遣部队和代理采样时间Ts在几秒钟内。

t = 0.05;Tf = 20;

固定随机生成器种子的再现性。

rng (0)

创建DDPG代理

DDPG代理使用参与者表示，根据观察结果决定采取哪种操作。要创建参与者，首先创建一个具有三个输入(观察)和一个输出(动作)的深度神经网络。这三个观察结果可以使用concatenationLayer．

有关创建深度神经网络值函数表示的更多信息，请参见创建政策和价值功能．

sinThetaInput = featureInputLayer (1,“归一化”，“没有”，“名字”，“sin_theta”）;cosThetaInput = featureInputLayer (1,“归一化”，“没有”，“名字”，“cos_theta”）;dThetaInput = featureInputLayer (1,“归一化”，“没有”，“名字”，“dtheta”）;commonPath = [concatenationLayer(1,3，“名字”，“concat”) 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”，“ActorTanh1”) scalingLayer (“名字”，“ActorScaling1”，“规模”马克斯(actInfo.UpperLimit)));actorNetwork = layerGraph (sinThetaInput);actorNetwork = addLayers (actorNetwork cosThetaInput);actorNetwork = addLayers (actorNetwork dThetaInput);actorNetwork = addLayers (actorNetwork commonPath);actorNetwork = connectLayers (actorNetwork,“sin_theta”，“concat /三机一体”）;actorNetwork = connectLayers (actorNetwork,“cos_theta”，“concat / in2”）;actorNetwork = connectLayers (actorNetwork,“dtheta”，“concat / in3”）;actorNetwork = dlnetwork (actorNetwork);

查看actor网络配置。

图绘制(layerGraph (actorNetwork))

图中包含一个axes对象。axes对象包含一个graphplot类型的对象。

使用指定批评家表示的选项rlOptimizerOptions．

actorOptions = rlOptimizerOptions (“LearnRate”1的军医,“GradientThreshold”1);

使用指定的深度神经网络和选项创建参与者表示。您还必须为参与者指定操作和观察信息，这些信息是从环境接口获得的。有关更多信息，请参见rlContinuousDeterministicActor．

演员= rlContinuousDeterministicActor (actorNetwork obsInfo actInfo,.．.“ObservationInputNames”, (“sin_theta”，“cos_theta”，“dtheta”]);

DDPG代理使用临界价值函数表示来近似给出观察和行动的长期奖励。要创建批评家，首先创建一个深度神经网络，它有两个输入，即观察和动作，和一个输出，即状态动作值。

用与演员相似的方式来构建评论家。有关更多信息，请参见rlQValueFunction．

statePath = [concatenationLayer(1,3，“名字”，“concat”) 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 = [additionLayer(2，“名字”，“添加”) reluLayer (“名字”，“CriticCommonRelu”) fullyConnectedLayer (1,“名字”，“CriticOutput”));criticNetwork = layerGraph (sinThetaInput);criticNetwork = addLayers (criticNetwork cosThetaInput);criticNetwork = addLayers (criticNetwork dThetaInput);criticNetwork = addLayers (criticNetwork actionPath);criticNetwork = addLayers (criticNetwork statePath);criticNetwork = addLayers (criticNetwork commonPath);criticNetwork = connectLayers (criticNetwork,“sin_theta”，“concat /三机一体”）;criticNetwork = connectLayers (criticNetwork,“cos_theta”，“concat / in2”）;criticNetwork = connectLayers (criticNetwork,“dtheta”，“concat / in3”）;criticNetwork = connectLayers (criticNetwork,“CriticStateFC2”，“添加/三机一体”）;criticNetwork = connectLayers (criticNetwork,“CriticActionFC1”，“添加/ in2”）;criticOptions = rlOptimizerOptions (“LearnRate”1 e 03“GradientThreshold”1);评论家= rlQValueFunction (criticNetwork obsInfo actInfo,.．.“ObservationInputNames”, (“sin_theta”，“cos_theta”，“dtheta”),“ActionInputNames”，“行动”）;

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

agentOpts = rlDDPGAgentOptions (.．.“SampleTime”Ts,.．.“ActorOptimizerOptions”actorOptions,.．.“CriticOptimizerOptions”criticOptions,.．.“ExperienceBufferLength”1 e6,.．.“MiniBatchSize”, 128);agentOpts.NoiseOptions.Variance = 0.6;agentOpts.NoiseOptions.VarianceDecayRate = 1 e-5;

然后使用指定的参与者表示、批评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

要培训代理，首先要指定培训选项。对于本例，使用以下选项:

每次训练不超过50000集，每集不超过50000集装天花板(Tf / Ts)时间的步骤。
在“集训管理器”对话框中显示训练进度情节选项)并禁用命令行显示(设置详细的选项假）.
当代理连续五集获得的平均累积奖励大于-740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。
为每一集累积奖励大于-740的场景保存一份代理副本。

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);

训练代理使用火车函数。训练这个代理是一个计算密集的过程，需要几个小时才能完成。要在运行此示例时节省时间，请通过设置加载预先训练过的代理doTraining来假．亲自训练探员，设doTraining来真正的．

doTraining = false;如果doTraining培训代理。trainingStats =火车(代理,env, trainOpts);其他的为示例加载预先训练过的代理。负载(“SimulinkPendBusDDPG.mat”，“代理”）结束

模拟DDPG代理

要验证经过训练的代理的性能，请在摆环境中对其进行模拟。有关代理模拟的更多信息，请参见rlSimulationOptions而且sim卡．

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

另请参阅

rlDDPGAgent|rlSimulinkEnv|火车|bus2RLSpec