MATLAB强化学习实战(六) 使用Deep Network Designer创建智能体并使用图像观察进行训练

本示例说明了如何创建深度Q学习网络（DQN）智能体，该智能体可以平衡在MATLAB®中建模的钟摆。 在此示例中，您将使用Deep Network Designer创建DQN智能体。 有关DQN智能体的更多信息，请参阅 Deep Q-Network Agents。

有图像观测的摆锤环境

此示例的强化学习环境是一个简单的无摩擦摆，其最初悬挂在向下的位置。 训练的目标是使摆锤直立，而无需花费最少的控制力。

对于这种环境：

1. 平衡摆向上位置为0弧度，向下悬挂位置为pi弧度。
2. 智能体到环境的扭矩动作信号为2 ~ 2 N·m。
3. 从环境观测得到的是简化的摆灰度图像和摆角导数。
4. 每一步提供的奖励$r_t$为
   

其中：

1. ${\theta }_t$从直立位置到位移的角度。
2. ${\dot{\theta }}_t$是位移角的导数。
3. $u_{t-1}$是前一个时间步骤的控制工作。

创建环境接口

为钟摆创建一个预定义的环境接口。

env = rlPredefinedEnv('SimplePendulumWithImage-Discrete');

该界面有两个观察结果。 第一个观察结果称为“ pendImage”，是一个50 x 50的灰度图像。

obsInfo = getObservationInfo(env);
obsInfo(1)

第二个观测值称为“ angularRate”，是摆的角速度。

obsInfo(2)

接口具有离散的动作空间，智能体可以在其中将五个可能的扭矩值之一施加到摆锤上：-2，-1、0、1或2 N·m。

actInfo = getActionInfo(env)

固定随机发生器种子的重现性。

rng(0)

使用深度网络设计器构建critic网络

DQN智能体使用评论者价值函数表示法，根据给定的观察和操作来估算长期奖励。 对于这种环境，评论者是一个具有三个输入（两个观察值和一个动作）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，请参见创建策略和值函数表示。

您可以使用Deep Network Designer应用程序以交互方式构建critic网络。 为此，您首先为每个观察和操作创建单独的输入路径。 这些路径从各自的输入中学习较低级别的功能。 然后，创建一个公共输出路径，该路径将输入路径的输出组合在一起。

创建图像观测路径

要创建图像观察路径，请首先将ImageInputLayer从Layer Library窗格拖到画布。 将图层InputSize设置为50,50,1进行图像观察，并将Normalization设置为none。

其次，将Convolution2DLayer拖到画布上，并将该层的输入连接到ImageInputLayer的输出。 使用2个高度和宽度为10的过滤器（NumFilters属性）创建一个卷积层（FilterSize属性），并在水平和垂直方向上使用5步长（Stride属性）。

最后，使用两组ReLULayer和FullyConnectedLayer图层完成图像路径网络。 第一和第二FullyConnectedLayer层的输出大小分别为400和300。

创建全输入路径和输出路径

以类似的方式构造其他输入路径和输出路径。 对于此示例，使用以下选项。

Angular velocity路径（标量输入）：

1. ImageInputLayer —将InputSize设置为1,1，将Normalization设置为none。

2. FullyConnectedLayer —将OutputSize设置为400。

3. ReLULayer

4. FullyConnectedLayer —将OutputSize设置为300。

Action 路径(标量输入):

1. ImageInputLayer — 将InputSize设置为1,1，将Normalization设置为none。

2. FullyConnectedLayer — 将OutputSize设置为300。

Output路径：

1. AdditionLayer —将所有输入路径的输出连接到该层的输入。

2. ReLULayer

3. FullyConnectedLayer —将标量值函数的OutputSize设置为1。

从Deep Network Designer导出网络

要将网络导出到MATLAB工作区，请在Deep Network Designer中单击“导出”。 Deep Network Designer将网络导出为包含网络层的新变量。 您可以使用此图层网络变量创建评论者表示。

或者，要为网络生成等效的MATLAB代码，请单击导出>生成代码。

生成的代码如下。

lgraph = layerGraph();
layers = [
    imageInputLayer([1 1 1],"Name","torque","Normalization","none")
    fullyConnectedLayer(300,"Name","torque_fc1")];
lgraph = addLayers(lgraph,layers);
layers = [
    imageInputLayer([1 1 1],"Name","angularRate","Normalization","none")
    fullyConnectedLayer(400,"Name","dtheta_fc1")
    reluLayer("Name","dtheta_relu1")
    fullyConnectedLayer(300,"Name","dtheta_fc2")];
lgraph = addLayers(lgraph,layers);
layers = [
    imageInputLayer([50 50 1],"Name","pendImage","Normalization","none")
    convolution2dLayer([10 10],2,"Name","img_conv1","Stride",[5 5])
    reluLayer("Name","img_relu")
    fullyConnectedLayer(400,"Name","theta_fc1")
    reluLayer("Name","theta_relu1")
    fullyConnectedLayer(300,"Name","theta_fc2")];
lgraph = addLayers(lgraph,layers);
layers = [
    additionLayer(3,"Name","addition")
    reluLayer("Name","relu")
    fullyConnectedLayer(1,"Name","stateValue")];
lgraph = addLayers(lgraph,layers);
lgraph = connectLayers(lgraph,"torque_fc1","addition/in3");
lgraph = connectLayers(lgraph,"theta_fc2","addition/in1");
lgraph = connectLayers(lgraph,"dtheta_fc2","addition/in2");

模型代码下载地址

查看评论者网络配置。

figure
plot(lgraph)

使用rlRepresentationOptions指定评论者表示的选项。

criticOpts = rlRepresentationOptions('LearnRate',1e-03,'GradientThreshold',1);

使用指定的深度神经网络图和选项创建评论者表示。 您还必须指定评论者的操作和观察信息，这些信息是从环境界面获得的。 有关更多信息，请参见rlQValueRepresentation。

critic = rlQValueRepresentation(lgraph,obsInfo,actInfo,...
    'Observation',{'pendImage','angularRate'},'Action',{'torque'},criticOpts);

要创建DQN智能体，请首先使用rlDQNAgentOptions指定DQN智能体选项。

agentOpts = rlDQNAgentOptions(...
    'UseDoubleDQN',false,...    
    'TargetUpdateMethod',"smoothing",...
    'TargetSmoothFactor',1e-3,... 
    'ExperienceBufferLength',1e6,... 
    'DiscountFactor',0.99,...
    'SampleTime',env.Ts,...
    'MiniBatchSize',64);
agentOpts.EpsilonGreedyExploration.EpsilonDecay = 1e-5;

然后，使用指定的评论者表示形式和智能体选项创建DQN智能体。 有关更多信息，请参见rlDQNAgent。

agentOpts = rlDQNAgentOptions(...
    'UseDoubleDQN',false,...    
    'TargetUpdateMethod',"smoothing",...
    'TargetSmoothFactor',1e-3,... 
    'ExperienceBufferLength',1e6,... 
    'DiscountFactor',0.99,...
    'SampleTime',env.Ts,...
    'MiniBatchSize',64);
agentOpts.EpsilonGreedyExploration.EpsilonDecay = 1e-5;

然后，使用指定的评论者表示形式和智能体选项创建DQN智能体。 有关更多信息，请参见rlDQNAgent。

agent = rlDQNAgent(critic,agentOpts);

训练智能体

要训练智能体，请首先指定训练选项。 对于此示例，使用以下选项。

1. 每次训练最多进行5000个episode，每个episode最多持续500个时间步。

2. 在“情节管理器”对话框中显示训练进度（设置“Plots ”选项）并禁用命令行显示（将“Verbose ”选项设置为false）。

3. 当智能体在五个连续episode的默认窗口长度内收到的平均累积奖励大于–1000时，停止训练。 在这一点上，智能体可以以最小的控制力快速地使摆在直立位置上平衡。

trainOpts = rlTrainingOptions(...
    'MaxEpisodes',5000,...
    'MaxStepsPerEpisode',500,...
    'Verbose',false,...
    'Plots','training-progress',...
    'StopTrainingCriteria','AverageReward',...
    'StopTrainingValue',-1000);

您可以使用绘图功能在训练或模拟过程中可视化摆系统。

plot(env)

使用训练功能训练智能体。 这是一个需要大量时间才能完成的计算密集型过程。 为了节省运行本示例的时间，请通过将doTraining设置为false来加载预训练的代理。 要自己训练智能体，请将doTraining设置为true。

doTraining = false;

if doTraining
    % Train the agent.
    trainingStats = train(agent,env,trainOpts);
else
    % Load pretrained agent for the example.
    load('MATLABPendImageDQN.mat','agent');
end

智能体仿真

要验证训练后的智能体的表现，请在钟摆环境中对其进行仿真。 有关智能体模拟的更多信息，请参见rlSimulationOptions和sim。

simOptions = rlSimulationOptions('MaxSteps',500);
experience = sim(env,agent,simOptions);

totalReward = sum(experience.Reward)