Le Deep Reinforcement Learning est une branche du Machine Learning vous permettant d'implémenter des contrôleurs et des algorithmes décisionnels pour des applications complexes comme les robots ou les véhicules autonomes. Le Deep Reinforcement Learning vous permet d'entraîner des réseaux de neurones à apprendre des comportements complexes à partir de données générées dynamiquement par des systèmes simulés ou physiques.
Avec MATLAB, Simulink et Reinforcement Learning Toolbox, vous pouvez exécuter l'ensemble du workflow de design et de déploiement d'un système de Deep Reinforcement Learning. Vous pouvez :
- Permuter, évaluer et comparer des algorithmes de Deep Reinforcement Learning couramment utilisés
- Entraîner des politiques de manière interactive avec l'application Reinforcement Learning Designer
- Modéliser l'environnement d'apprentissage dans MATLAB et Simulink pour réduire les risques d'endommagement du hardware
- Utiliser des réseaux de neurones pour créer de manière interactive ou programmatique des politiques de Deep Reinforcement Learning
- Déployer des politiques de Deep Reinforcement Learning sur des dispositifs embarqués ou dans le cloud
« 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
Pourquoi utiliser MATLAB et Simulink pour le Deep Reinforcement Learning ?
Workflow visuel interactif dans Reinforcement Learning Designer
Créez, entraînez et simulez de manière interactive des agents de Deep Reinforcement Learning avec l'application Reinforcement Learning Designer. Profitez de conseils automatisés pour sélectionner le type d'agent approprié. Choisissez parmi des algorithmes de Deep Reinforcement Learning largement répandus et prêts à l’emploi, tels que Deep Deterministic Policy Gradient (DDPG), Soft Actor Critic (SAC) ou Proximal Policy Optimization (PPO).
Apprentissage, tests au niveau système et déploiement avec l'approche Model-Based Design
Modélisez l'environnement d'apprentissage dans Simulink (ou MATLAB) pour réduire les risques d'endommagement de votre hardware. Intégrez de manière transparente des modèles d'environnement avec des agents de Deep Reinforcement Learning en utilisant le bloc RL Agent. Entraînez des politiques en série ou en parallèle et vérifiez-les par des simulations (au niveau système) et des tests Software-in-the-Loop (SIL) / Hardware-in-the-Loop (HIL). Déployez les politiques entraînées sur des dispositifs embarqués ou dans le cloud.
Création automatisée et interactive de politiques de réseaux de neurones
Utilisez des architectures de réseaux de neurones auto-générées spécifiques à un problème pour créer des agents de Deep Reinforcement Learning sans être expert en design de politiques de réseaux de neurones. Utilisez l'architecture de réseau neuronal suggérée telle quelle, ou affinez-la avec l'application Deep Network Designer (approche interactive) ou avec les couches de Deep Learning Toolbox (approche programmatique). Utilisez des fonctionnalités d'importation et d'exportation pour interopérer avec des représentations de réseaux de neurones dans des environnements tiers.
Exemples et applications de référence
Démarrez avec le Deep Reinforcement Learning en concevant des contrôleurs et des algorithmes décisionnels pour la robotique, la conduite autonome, le calibrage, la planification et d'autres applications. Consultez nos exemples de référence et expérimentez la formation simple et multi-agents, l'apprentissage en ligne et hors ligne, les méthodes sans modèle et basées sur un modèle, ainsi que les stratégies d'apprentissage basées sur le gradient et l'évolution.