Reinforcement Learning Toolbox
Reinforcement Learning Toolbox™ udostępnia funkcje i bloki dla strategii szkoleniowych wykorzystujących algorytmy uczenia się ze wzmacnianiem, w tym DQN, A2C i DDPG. Przy pomocy tych zasad można projektować kontrolery i algorytmy podejmowania decyzji dla złożonych systemów, takich jak roboty i systemy autonomiczne. Zasady postępowania można zaimplementować za pomocą głębokich sieci neuronowych, wielomianów lub tablicowania.
Projektowanie i uczenie optymalnych rozwiązań przy pomocy algorytmów „reinforcement learning” (uczenie się przez wzmacnianie).
Zestaw narzędzi umożliwia tworzenie strategii i zasad oraz ich interakcji ze środowiskami reprezentowanymi przez modele MATLAB® lub Simulink®. Pozwala również na weryfikację działania algorytmów, dobór ich parametrów oraz monitorowanie postępu uczenia. Aby poprawić wydajność uczenia, możliwe jest przyspieszanie symulacji przy pomocy obliczeń równoległych w chmurze lub na klastrach komputerowych i GPU (moduły: Parallel Computing Toolbox™ i/lub MATLAB Parallel Server™).
Dzięki wsparciu dla formatu ONNX, istniejące zasady i modele mogą być importowane z głębokich sieci neuronowych uczonych w środowiskach, takich jak TensorFlow™ Keras i PyTorch (przy pomocy Deep Learning Toolbox™). Możliwa jest również automatyczna generacja zoptymalizowanego kodu C, C++ oraz CUDA® w celu wdrożenia zaprojektowanych algorytmów na mikrokontrolerach i GPU.
Moduł Reinforcement Learning Toolbox zawiera przykłady przedstawiające sposób wykorzystania uczenia się przez wzmacnianie do projektowania sterowników dla robotyki i aplikacji dla autonomicznych pojazdów.
