训练DDPG代理上摆和平衡摆

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)代理来摆动和平衡Simulink®中建模的钟摆。

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．有关在MATLAB®中训练DDPG代理的例子，请参见训练DDPG代理控制双积分器系统．

摆摆起模型

本例中的强化学习环境是一个简单的无摩擦钟摆，最初悬挂在向下的位置。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 =“rlSimplePendulumModel”；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。
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。

有关此模型的更多信息，请参见加载预定义的Simulink环境．

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

该界面有一个连续的动作空间，在这个空间中，代理可以将扭矩值施加到摆的-2到2 N·m之间。

将环境观测值设为摆角的正弦值、摆角的余弦值和摆角的导数。

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

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代理在给定的观察和行动下，使用临界价值函数表示逼近长期奖励。要创建批评家，首先创建一个具有两个输入(状态和动作)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，请参见创建政策和价值功能．

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 = [additionLayer(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”）;criticNetwork = dlnetwork (criticNetwork);

查看批评家网络配置。

图绘制(layerGraph (criticNetwork))

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．

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

使用指定的深度神经网络和选项创建批评家表示。您还必须为批评者指定操作和观察信息，这些信息将从环境接口获得。有关更多信息，请参见rlQValueRepresentation．

obsInfo = getObservationInfo (env);actInfo = getActionInfo (env);评论家= rlQValueFunction (criticNetwork obsInfo actInfo,“ObservationInputNames”，“观察”，“ActionInputNames”，“行动”）;

DDPG代理使用参与者表示来决定执行给定的观察结果。要创建参与者，首先创建一个深度神经网络，它有一个输入(观察)和一个输出(动作)。

以类似于批评家的方式建构演员。有关更多信息，请参见rlDeterministicActorRepresentation．

actorNetwork = [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)));actorNetwork = dlnetwork (actorNetwork);actorOpts = rlOptimizerOptions (“LearnRate”1 e-04“GradientThreshold”1);演员= rlContinuousDeterministicActor (actorNetwork obsInfo actInfo);

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

agentOpts = rlDDPGAgentOptions (.．.“SampleTime”Ts,.．.“CriticOptimizerOptions”criticOpts,.．.“ActorOptimizerOptions”actorOpts,.．.“ExperienceBufferLength”1 e6,.．.“DiscountFactor”, 0.99,.．.“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。

跑步训练不超过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,.．.“SaveAgentCriteria”，“EpisodeReward”，.．.“SaveAgentValue”, -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(“SimulinkPendulumDDPG.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