Reinforcement Learning Toolbox
Entwurf und Training von Strategien (Policies) mithilfe von Reinforcement Learning
Haben Sie Fragen? Vertrieb kontaktieren.
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.
Reinforcement-Learning-Agenten
Erstellen Sie modellfreie sowie modellbasierte Reinforcement-Learning-Agenten mithilfe beliebter Algorithmen wie DQN, PPO und SAC. Alternativ können Sie mit den bereitgestellten Vorlagen auch eigene Algorithmen entwickeln. Mit dem RL Agent-Block führen Sie Ihre Agenten in Simulink ein.
Reinforcement Learning Designer-App
Entwerfen, trainieren und simulieren Sie interaktiv Reinforcement-Learning-Agenten. Exportieren Sie trainierte Agents in MATLAB zur weiteren Verwendung und Bereitstellung.
Belohnungssignale
Erstellen Sie Belohnungssignale, die messen, wie erfolgreich der Agent bei der Zielerreichung ist. Generieren Sie Belohnungsfunktionen automatisch aus Regelungsspezifikationen, die in der Model Predictive Control Toolbox oder in Simulink Design Optimization definiert sind.
Policy-Darstellung
Mithilfe der von der Toolbox vorgeschlagenen neuronalen Netzarchitekturen können Sie in wenigen Minuten loslegen. Alternativ können Sie mit Ebenen der Deep Learning Toolbox und der Deep Network Designer-App manuell Lookup-Tabellen erkunden oder Strategiefunktionen für neuronale Netze definieren.
Reinforcement-Learning-Training
Trainieren Sie Agenten durch Interaktionen mit einer Umgebung oder mithilfe vorhandener Daten. Erkunden Sie das Trainieren eines einzelnen oder mehrerer Agenten. Protokollieren und visualisieren Sie Trainingsdaten und verfolgen Sie dabei Ihren Fortschritt mit.
Verteiltes Rechnen
Beschleunigen Sie das Training mit Mehrkerncomputern, Cloud-Ressourcen oder Computerclustern mithilfe der Parallel Computing Toolbox und MATLAB Parallel Server. Nutzen Sie Grafikkarten, um Vorgänge wie Gradientenberechnung und -vorhersage zu beschleunigen.
Codegenerierung und -bereitstellung
Generieren Sie automatisch C/C++ und CUDA Code aus trainierten Strategien zur Bereitstellung auf Embedded-Geräten. Mit MATLAB Compiler und MATLAB Production Server können Sie trainierte Strategien in Produktionssystemen als eigenständig ausführbare Anwendungen, gemeinsam genutzte C/C++ Bibliotheken und mehr bereitstellen.
Referenzbeispiele
Entwerfen Sie Steuerungen Entscheidungsalgorithmen für Roboter, selbstfahrende Fahrzeuge, Kalibrierungen, Zeitplanung und andere Anwendungen. Unsere Referenzbeispiele helfen Ihnen bei den ersten Schritten.
Produktressourcen:
„5G ist eine entscheidende Infrastruktur, die wir vor schädlichen Angriffen schützen müssen. Mit der Reinforcement Learning Toolbox können wir die 5G-Schwachstellen innerhalb kürzester Zeit abschätzen und entsprechende Abwehrmethoden ermitteln.“
Reinforcement Learning Toolbox – Häufig gestellte Fragen
Die Reinforcement Learning Toolbox ist ein MATLAB-Produkt, das eine App, Funktionen und einen Simulink-Block bereitstellt, um Policies mit Reinforcement Learning-Algorithmen wie DQN, PPO, SAC und DDPG für Anwendungen wie Robotik, Ressourcenallokation und autonome Systeme zu trainieren.
Die Toolbox unterstützt modellfreie Algorithmen wie DQN, PPO, SAC und DDPG sowie modellbasierte Agenten und die Entwicklung eigener Algorithmen mithilfe bereitgestellter Vorlagen.
Ja. Die Toolbox enthält einen RL Agent Block, mit dem sich Reinforcement Learning-Agenten direkt in Simulink-Modelle für Einzel- oder Mehragententraining integrieren lassen.
Sie können Policies und Wertfunktionen mithilfe tiefer neuronaler Netze oder Look-up-Tabellen darstellen; unterstützt werden sowohl von der Toolbox vorgeschlagene Architekturen als auch benutzerdefinierte Netzwerke, die mit Deep Learning Toolbox und der Deep Network Designer-App erstellt wurden.
Die Reinforcement Learning Designer-App ermöglicht es, Reinforcement Learning-Agenten interaktiv zu entwerfen, zu trainieren und zu simulieren, ohne Code zu schreiben, und anschließend trainierte Agenten zur weiteren Verwendung und Bereitstellung nach MATLAB zu exportieren.
Sie können das Training beschleunigen, indem Sie parallele Simulationen auf mehreren CPUs, GPUs, Rechenclustern oder Cloud-Ressourcen mit Parallel Computing Toolbox und MATLAB Parallel Server ausführen. GPUs werden für Gradientenberechnung und Vorhersagen unterstützt.
Sie können automatisch optimierten C-, C++- und CUDA-Code generieren, um trainierte Policies auf Mikrocontrollern und GPUs bereitzustellen, oder MATLAB Compiler und MATLAB Production Server verwenden, um sie als eigenständige Anwendungen oder gemeinsam nutzbare Bibliotheken bereitzustellen.
Ja. Sie können vorhandene Policies aus Frameworks wie TensorFlow Keras und PyTorch über das ONNX-Modellformat mithilfe von Deep Learning Toolbox importieren.
Sie können Umgebungen in MATLAB mithilfe von Vorlagen oder Funktionen modellieren, in Simulink für komplexe Dynamiken, oder Schnittstellen zu Modellierungswerkzeugen Dritter verwenden, um nahtlos mit Reinforcement Learning-Agenten zu interagieren.
Reinforcement Learning Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
