在Simulink中训练DDPG控制倒立摆系统
倒立摆的Simscape模型创建环境接口创建DDPG智能体训练智能体DDPG智能体仿真此示例显示了如何训练深度确定性策略梯度（DDPG）智能体去控制以Simscape™Multibody™建模的倒立摆系统。
matlab 版本 b
倒立摆的Simscape模型
此示例的强化学习环境是一根杆，该杆连接到手推车上未操纵的关节上，该关节沿着无摩擦的轨道移动。 训练的目标是使杆立起，而只需花费最小的控制力就不会摔倒。
打开模型
mdl = 'rlCartPoleSimscapeModel';open_system(mdl)
倒立摆系统是使用Simscape Multibody建模的。
对于该模型：
向上的平衡杆位置为0弧度，向下的悬挂位置为pi弧度。从agent到环境的力作用信号是15到15 N，从环境中观察到的是手推车的位置和速度，以及杆角的正弦、余弦和导数。如果车从原来的位置移动超过3.5米，则该episode终止。在每个时间步提供的奖励rtr_trt为
其中：
θt\theta_tθt是从杆的直立位置开始的位移角。xtx_txt是从小车中心位置移动的位置。ut−1u_{t-1}ut−1是前一个时间步骤的控制工作。B是一个标志(1或0)，指示车是否越界。
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
为杆创建预定义的环境接口。
env = rlPredefinedEnv('CartPoleSimscapeModel-Continuous')
该接口具有连续的作用空间，智能体可以在其中向极点施加从–15到15 N的可能扭矩值。
从环境接口获取观察和动作信息。
obsInfo = getObservationInfo(env);numObservations = obsInfo.Dimension(1);actInfo = getActionInfo(env);
以秒为单位指定模拟时间Tf和智能体采样时间Ts。
Ts = 0.02;Tf = 25;
固定随机发生器种子的重现性。
rng(0)
创建DDPG智能体
DDPG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。 要创建评论者，首先要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。 动作路径的输入大小为[1 1 1]，因为智能体可以将动作作为一个力值施加到环境。 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。
statePath = [featureInputLayer(numObservations,'Normalization','none','Name','observation')fullyConnectedLayer(128,'Name','CriticStateFC1')reluLayer('Name','CriticRelu1')fullyConnectedLayer(200,'Name','CriticStateFC2')];actionPath = [featureInputLayer(1,'Normalization','none','Name','action')fullyConnectedLayer(200,'Name','CriticActionFC1','BiasLearnRateFactor',0)];commonPath = [additionLayer(2,'Name','add')reluLayer('Name','CriticCommonRelu')fullyConnectedLayer(1,'Name','CriticOutput')];criticNetwork = layerGraph(statePath);criticNetwork = addLayers(criticNetwork,actionPath);criticNetwork = addLayers(criticNetwork,commonPath);criticNetwork = connectLayers(criticNetwork,'CriticStateFC2','add/in1');criticNetwork = connectLayers(criticNetwork,'CriticActionFC1','add/in2');
查看评论者网络配置。
figureplot(criticNetwork)
使用rlRepresentationOptions指定评论者表示的选项。
criticOptions = rlRepresentationOptions('LearnRate',1e-03,'GradientThreshold',1);
使用指定的深度神经网络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，这些信息已经从环境界面中获得。 有关更多信息，请参见rlQValueRepresentation。
critic = rlQValueRepresentation(criticNetwork,obsInfo,actInfo,...'Observation',{'observation'},'Action',{'action'},criticOptions);
DDPG智能体使用写得者表示来决定在给定的观察结果下要采取哪种操作。 要创建行动者，首先要创建一个具有一个输入（观察）和一个输出（动作）的深度神经网络。
以类似于评论者的方式构造行动者。 有关更多信息，请参见rlDeterministicActorRepresentation。
actorNetwork = [featureInputLayer(numObservations,'Normalization','none','Name','observation')fullyConnectedLayer(128,'Name','ActorFC1')reluLayer('Name','ActorRelu1')fullyConnectedLayer(200,'Name','ActorFC2')reluLayer('Name','ActorRelu2')fullyConnectedLayer(1,'Name','ActorFC3')tanhLayer('Name','ActorTanh1')scalingLayer('Name','ActorScaling','Scale',max(actInfo.UpperLimit))];actorOptions = rlRepresentationOptions('LearnRate',5e-04,'GradientThreshold',1);actor = rlDeterministicActorRepresentation(actorNetwork,obsInfo,actInfo,...'Observation',{'observation'},'Action',{'ActorScaling'},actorOptions);
要创建DDPG智能体，请首先使用rlDDPGAgentOptions指定DDPG智能体选项。
agentOptions = rlDDPGAgentOptions(...'SampleTime',Ts,...'TargetSmoothFactor',1e-3,...'ExperienceBufferLength',1e6,...'MiniBatchSize',128);agentOptions.NoiseOptions.Variance = 0.4;agentOptions.NoiseOptions.VarianceDecayRate = 1e-5;
然后，使用指定的行动者表示，评论者表示和智能体选项创建行动者。 有关更多信息，请参见rlDDPGAgent。
agent = rlDDPGAgent(actor,critic,agentOptions);
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。
每个训练episode 最多运行2000个episode ，每个episode 最多持续ceil（Tf / Ts）个时间步长。
在“Episode Manager”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）。
当智能体连续五个episode 获得的平均累积奖励大于–400时，请停止训练。 在这一点上，智能体可以用最少的控制力量快速地将立杆平衡在直立位置。
为累积奖励大于–400的每个episode 保存智能体的副本。
有关更多信息，请参见rlTrainingOptions。
maxepisodes = 2000;maxsteps = ceil(Tf/Ts);trainingOptions = rlTrainingOptions(...'MaxEpisodes',maxepisodes,...'MaxStepsPerEpisode',maxsteps,...'ScoreAveragingWindowLength',5,...'Verbose',false,...'Plots','training-progress',...'StopTrainingCriteria','AverageReward',...'StopTrainingValue',-400,...'SaveAgentCriteria','EpisodeReward',...'SaveAgentValue',-400);
使用训练功能训练智能体。 培训此智能体过程需要大量的计算，并且需要几个小时才能完成。 为了节省运行本示例的时间，请通过将doTraining设置为false来加载预训练的智能体。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,trainingOptions);else% Load the pretrained agent for the example.load('SimscapeCartPoleDDPG.mat','agent')end
DDPG智能体仿真
要验证训练后的智能体的表现，请在杆状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);
bdclose(mdl)
