Reinforcement Learning Toolbox

Concevoir et entraîner des politiques avec le Reinforcement Learning

Vous avez des questions  ? Contacter l’équipe commerciale.

Reinforcement Learning Toolbox propose une application, des fonctions et un bloc Simulink pour entraîner des politiques avec des algorithmes de Reinforcement Learning comme DQN, PPO, SAC et DDPG. Vous pouvez utiliser ces politiques pour implémenter des contrôleurs et des algorithmes décisionnels pour des applications complexes comme l'allocation des ressources, la robotique et les systèmes autonomes.

La toolbox vous permet de représenter les politiques et les fonctions de valeur avec des réseaux de neurones profonds ou des lookup tables, et de les entraîner à travers des interactions avec des environnements modélisés dans MATLAB ou Simulink. Vous pouvez évaluer les algorithmes de Reinforcement Learning simple ou multi-agents proposés par la toolbox ou bien développer les vôtres. Vous pouvez tester différents réglages des hyperparamètres, suivre la progression de l'apprentissage et simuler des agents entraînés de façon interactive avec l'application ou bien programmatiquement. Pour améliorer les performances de l’apprentissage, vous pouvez exécuter plusieurs simulations en parallèle sur le cloud, sur des clusters et sur plusieurs CPU et GPU (avec Parallel Computing Toolbox et MATLAB Parallel Server).

En utilisant le format de modèle ONNX™, vous pouvez importer des politiques existantes à partir d’environnements de Deep Learning tels que TensorFlow™ Keras et PyTorch (avec Deep Learning Toolbox). Vous pouvez générer du code optimisé C, C++ et CUDA^® pour déployer des politiques entraînées sur des microcontrôleurs et des GPU. La toolbox propose des exemples de référence pour vous aider à démarrer.

Introduction à Reinforcement Learning Toolbox

Découvrez les dernières fonctionnalités dans les notes de version

Les agents du Reinforcement Learning

Créez des agents de Reinforcement Learning avec et sans modèle en exploitant des algorithmes populaires tels que DQN, PPO et SAC. Vous pouvez également développer vos propres algorithmes personnalisés en utilisant les modèles proposés. Utilisez le bloc RL Agent pour intégrer vos agents dans Simulink.

Politiques et algorithmes d'apprentissage | Reinforcement Learning, partie 3 (17:51)

Documentation

Application Reinforcement Learning Designer

Concevez, entraînez et simulez des agents de Reinforcement Learning de manière interactive. Exportez des agents entraînés vers MATLAB pour une utilisation et un déploiement ultérieurs.

Documentation | Exemples

Signaux de récompense

Créez des signaux de récompense qui mesurent à quel point l'agent parvient à remplir son objectif. Générez automatiquement des fonctions de récompense à partir des spécifications de contrôle définies dans Model Predictive Control Toolbox ou Simulink Design Optimization.

Documentation

Représentation de politiques

Démarrez rapidement en utilisant les architectures de réseaux de neurones suggérées par la toolbox. Vous pouvez également explorer les lookup tables ou définir des politiques de réseaux de neurones manuellement, grâce aux couches dans Deep Learning Toolbox et à l'application Deep Network Designer.

Documentation

Apprentissage par Reinforcement Learning

Entraînez des agents à travers des interactions avec un environnement ou en utilisant des données existantes. Découvrez l'apprentissage simple et multi-agents. Enregistrez et visualisez les données d'apprentissage, et surveillez les progrès réalisés au fur et à mesure.

Introduction au Reinforcement Learning multi-agents (14:43)

Documentation | Exemples

Calcul distribué

Accélérez l’apprentissage en utilisant des ordinateurs multicœurs, des ressources cloud ou des clusters de calcul avec Parallel Computing Toolbox et MATLAB Parallel Server. Tirez parti des GPU pour accélérer les opérations telles que le calcul de gradient et la prédiction.

Documentation | Exemples

Capture d'écran d'un modèle Simulink pour un robot quadrupède.

Modéliser l'environnement

Modélisez des environnements qui interagissent facilement avec les agents de Reinforcement Learning grâce à MATLAB et Simulink. Interfacez-vous avec des outils de modélisation tiers.

Démarrer avec le Reinforcement Learning (9:30)

Générer et déployer du code

Générez automatiquement du code C/C++ et CUDA à partir de politiques entraînées pour un déploiement sur des dispositifs embarqués. Utilisez MATLAB Compiler et MATLAB Production Server pour déployer des politiques entraînées sur des systèmes de production en tant qu'applications autonomes, bibliothèques partagées C/C++, et plus encore.

Documentation | Exemples

Exemples de référence

Concevez des contrôleurs et des algorithmes décisionnels pour la robotique, la conduite autonome, le calibrage, la planification et pour d'autres applications. Consultez nos exemples de référence pour démarrer rapidement.

Exemples

Ressources liées au produit :

Documentation Exemples Vidéos Articles techniques Fonctions Blocs Configuration requise Notes de version

« La 5G est une infrastructure critique que nous devons protéger contre les attaques. Reinforcement Learning Toolbox nous permet d'évaluer rapidement les vulnérabilités de la 5G et d'identifier des méthodes d'atténuation. »
Ambrose Kam, Lockheed Martin

Voir d'autres témoignages de clients