Die Reinforcement Learning Toolbox bietet eine App, Funktionen und einen Simulink®- Block zum Trainieren von Strategien mit Reinforcement-Learning-Algorithmen wie DQN, PPO, SAC und DDPG. Mithilfe dieser Strategien können Sie Steuerungen und Entscheidungsalgorithmen für komplexe Anwendungen wie Ressourcenzuweisung, Robotik und autonome Anlagen implementieren.

Die Toolbox ermöglicht das Darstellen von Strategien und Wertefunktionen mithilfe tiefer neuronaler Netze oder Lookup-Tabellen und ihr Trainieren durch die Interaktion mit Umgebungen, die als MATLAB-  oder Simulink-Modelle dargestellt werden. Sie haben die Möglichkeit, die in der Toolbox bereitgestellten Single-Agent- oder Multi-Agent-Reinforcement-Learning-Algorithmen zu evaluieren oder eigene zu erstellen. Sie können mit Hyperparameter-Einstellungen experimentieren, den Trainingsfortschritt überwachen und trainierte Agenten entweder interaktiv durch die App oder per Programm simulieren. Um die Trainingsleistung zu optimieren, können Sie parallele Simulationen auf mehreren CPUs, Grafikkarten, in Computer-Clustern sowie in der Cloud (mit der Parallel Computing Toolbox und MATLAB Parallel Server) ausführen.

Durch das ONNX™-Modellformat lassen sich zudem vorhandene Strategien aus Deep-Learning-Frameworks wie TensorFlow™ Keras und PyTorch (mit der Deep Learning Toolbox) importieren. Sie können optimierten C, C++ und CUDA^®-Code generieren, um trainierte Strategien auf Microcontrollern und GPUs anzuwenden. Die Toolbox beinhaltet Referenzbeispiele, um Ihnen die ersten Schritte zu erleichtern.