Deep Reinforcement Learning

Aplique Deep Learning a aplicaciones de toma de decisiones y control

Deep Reinforcement Learning es una rama de Machine Learning que permite implementar controladores y algoritmos de toma de decisiones en aplicaciones complejas de robótica y sistemas autónomos. Deep Reinforcement Learning permite entrenar redes neuronales para que aprendan comportamientos complejos con datos generados dinámicamente a partir de sistemas simulados o físicos.

Con MATLAB, Simulink y Reinforcement Learning Toolbox, puede ejecutar el flujo de trabajo completo para diseñar y desplegar un sistema de Deep Reinforcement Learning. Puede hacer lo siguiente:

Alternar, evaluar y comparar algoritmos de Deep Reinforcement Learning populares
Entrenar políticas de manera interactiva con la app Reinforcement Learning Designer
Modelar el entorno de entrenamiento en MATLAB y Simulink para reducir el riesgo de dañar hardware
Utilizar redes neuronales para crear políticas de Deep Reinforcement Learning de manera interactiva o programática
Desplegar políticas de Deep Reinforcement Learning en dispositivos integrados o la nube

“5G es una infraestructura crítica que debemos proteger contra ataques adversarios. Con Reinforcement Learning Toolbox, podemos evaluar rápidamente vulnerabilidades de 5G e identificar métodos de mitigación”.
Ambrose Kam, Lockheed Martin

Análisis de vulnerabilidades de 5G con Reinforcement Learning Toolbox

Uso de MATLAB y Simulink para Deep Reinforcement Learning

App Reinforcement Learning Designer que muestra el progreso del entrenamiento de un agente de Deep Reinforcement Learning.

Flujo de trabajo interactivo y visual con Reinforcement Learning Designer

Cree, entrene y simule agentes de Deep Reinforcement Learning de manera interactiva con la app Reinforcement Learning Designer. Aproveche el entorno interactivo de la aplicación para identificar el tipo de agente ideal. Seleccione entre algoritmos de Deep Reinforcement Learning populares, disponibles y listos para usar, como gradiente de política determinística profunda (DDPG), actor-crítico suave (SAC) y optimización de políticas próximas (PPO).

Creación y entrenamiento interactivos de agentes de Reinforcement Learning (5:38)

Agentes de Reinforcement Learning predefinidos

Diseño y entrenamiento de un agente con Reinforcement Learning Designer

Modelo de Simulink que muestra un ejemplo de Deep Reinforcement Learning para un robot locomotor cuadrúpedo.

Entrenamiento, pruebas en nivel de sistema y despliegue con diseño basado en modelos

Modele el entorno de entrenamiento en Simulink, o MATLAB, para reducir el riesgo de dañar hardware. Integre modelos de entorno con agentes de Deep Reinforcement Learning fácilmente utilizando el bloque RL Agent. Entrene políticas en serie o en paralelo, y verifíquelas mediante simulaciones (en nivel de sistema) y pruebas de software-in-the-loop (SIL)/hardware-in-the-loop (HIL). Despliegue políticas entrenadas en dispositivos integrados o en la nube.

Creación de entornos para Reinforcement Learning

Verificación de SIL y PIL para Reinforcement Learning

Despliegue de políticas de Deep Reinforcement Learning

App Deep Network Designer que muestra una arquitectura de red neuronal.

Creación automatizada e interactiva de políticas de redes neuronales

Utilice arquitecturas de redes neuronales autogeneradas y específicas para cierto tipo de problema, para crear agentes de Deep Reinforcement Learning sin necesidad de ser especialista en diseño de políticas de redes neuronales. Use la arquitectura de red neuronal sugerida tal cual, o bien adáptela con la app Deep Network Designer (enfoque interactivo) o capas de Deep Learning Toolbox (enfoque programático). Aplique funcionalidades de importación y exportación para interoperar con representaciones de redes neuronales en marcos de terceros.

Control DQN para péndulo invertido con Reinforcement Learning Toolbox (6:51)

Representación de políticas en MATLAB mediante redes neuronales profundas

Creación de un agente DQN con Deep Network Designer

Entorno de simulación de Unreal Engine que muestra un automóvil estacionado.

Ejemplos y aplicaciones de referencia

Iníciese en Deep Reinforcement Learning diseñando controladores y algoritmos de toma de decisiones para aplicaciones de robótica, conducción autónoma, calibración y planificación, entre otras. Consulte nuestros ejemplos de referencia y experimente con entrenamiento monoagente y multiagente, aprendizaje online y sin conexión, métodos con y sin modelos, y estrategias de aprendizaje evolutivas y basadas en gradientes.

Ejemplos de Reinforcement Learning

Cómo entrenar agentes de Reinforcement Learning basado en modelos (6:03)

Deep Reinforcement Learning para robots locomotores (15:52)