В этом примере показано, как настроить обучение с мультиагентом в среде Simulink ®. В примере вы обучаете двух агентов совместному выполнению задачи перемещения объекта.
В этом примере окружения является двумерной поверхностью без трения, содержащей элементы, представленные кругами. Целевой объект C представлен синим кругом с радиусом 2 м, а роботы A (красный) и B (зеленый) представлены меньшими кругами с радиусами 1 м каждый. Роботы пытаются вывести объект C за пределы кругового звонка радиусом 8 м, прикладывая силы через столкновение. Все элементы окружения имеют массу и подчиняются законам движения Ньютона. В сложение сил контакта между элементами и окружением контуров моделируются как системы пружины и демпфера массы. Элементы могут перемещаться по поверхности через приложение внешних сил в направлениях X и Y. В третьей размерности нет движения, и общая энергия системы сохранена.
Создайте набор параметров, необходимых для этого примера.
rlCollaborativeTaskParams
Откройте модель Simulink.
mdl = "rlCollaborativeTask";
open_system(mdl)
Для этого окружения:
2-мерное пространство ограничено от -12 м до 12 м в обоих направлениях X и Y.
Значения жесткости контактной пружины и демпфирования составляют 100 Н/м и 0,1 Н/м/с, соответственно.
Агенты разделяют одинаковые наблюдения позиций, скоростей A, B и C и значений действия с последнего временного шага.
Симуляция заканчивается, когда объект C выходит за пределы кругового звонка.
На каждом временном шаге агенты получают следующее вознаграждение:
Здесь:
и - вознаграждения, полученные агентами A и B, соответственно.
является вознаграждением команды, которое получено обоими агентами, когда объект C движется ближе к контуру звонка.
и - локальные штрафы, полученные агентами A и B на основе их расстояний от объекта C и величины действия от последнего временного шага.
- расстояние объекта C от центра звонка.
и - расстояния между агентом A и объектом C и агентом B и объектом C, соответственно.
и являются значениями действий агентов A и B с последнего временного шага.
Этот пример использует агенты проксимальной оптимизации политики (PPO) с дискретными пространствами действий. Дополнительные сведения об агентах PPO см. в разделе Агенты оптимизации проксимальной политики. Агенты прикладывают к роботам внешние силы, которые приводят к движению. На каждом временном шаге агенты выбирают действия , где является одной из следующих пар внешних сил.
Чтобы создать мультиагента окружения, задайте блок пути агентов с помощью строковых массивов. Кроме того, задайте объекты наблюдения и спецификации действия, используя массивы ячеек. Порядок объектов спецификации в массиве ячеек должен совпадать с порядком, заданным в массиве путей блоков. Когда агенты доступны в рабочем пространстве MATLAB во время создания окружения, массивы наблюдений и спецификации действия являются необязательными. Для получения дополнительной информации о создании мультиагента окружений см. rlSimulinkEnv
.
Создайте спецификации ввода-вывода для окружения. В этом примере агенты являются однородными и имеют одинаковые спецификации ввода-вывода.
% Number of observations numObs = 16; % Number of actions numAct = 2; % Maximum value of externally applied force (N) maxF = 1.0; % I/O specifications for each agent oinfo = rlNumericSpec([numObs,1]); ainfo = rlFiniteSetSpec({ [-maxF -maxF] [-maxF 0 ] [-maxF maxF] [ 0 -maxF] [ 0 0 ] [ 0 maxF] [ maxF -maxF] [ maxF 0 ] [ maxF maxF]}); oinfo.Name = 'observations'; ainfo.Name = 'forces';
Создайте интерфейс окружения Simulink.
blks = ["rlCollaborativeTask/Agent A", "rlCollaborativeTask/Agent B"]; obsInfos = {oinfo,oinfo}; actInfos = {ainfo,ainfo}; env = rlSimulinkEnv(mdl,blks,obsInfos,actInfos);
Задайте функцию сброса для окружения. Функция сброса resetRobots
обеспечивает запуск роботов со случайных начальных положений в начале каждого эпизода.
env.ResetFcn = @(in) resetRobots(in,RA,RB,RC,boundaryR);
Агенты PPO полагаются на представления актёра и критика, чтобы узнать оптимальную политику. В этом примере агенты поддерживают функциональные аппроксимации на основе нейронной сети для актёра и критика.
Создайте нейронную сеть критика и представление. Выходом сети критика является функция ценности состояния для состояния .
% Reset the random seed to improve reproducibility rng(0) % Critic networks criticNetwork = [... featureInputLayer(oinfo.Dimension(1),'Normalization','none','Name','observation') fullyConnectedLayer(128,'Name','CriticFC1','WeightsInitializer','he') reluLayer('Name','CriticRelu1') fullyConnectedLayer(64,'Name','CriticFC2','WeightsInitializer','he') reluLayer('Name','CriticRelu2') fullyConnectedLayer(32,'Name','CriticFC3','WeightsInitializer','he') reluLayer('Name','CriticRelu3') fullyConnectedLayer(1,'Name','CriticOutput')]; % Critic representations criticOpts = rlRepresentationOptions('LearnRate',1e-4); criticA = rlValueRepresentation(criticNetwork,oinfo,'Observation',{'observation'},criticOpts); criticB = rlValueRepresentation(criticNetwork,oinfo,'Observation',{'observation'},criticOpts);
Выходы сети актёра являются вероятностями принятия каждой возможной пары действий в определенном состоянии . Создайте нейронную сеть актёра и представление.
% Actor networks actorNetwork = [... featureInputLayer(oinfo.Dimension(1),'Normalization','none','Name','observation') fullyConnectedLayer(128,'Name','ActorFC1','WeightsInitializer','he') reluLayer('Name','ActorRelu1') fullyConnectedLayer(64,'Name','ActorFC2','WeightsInitializer','he') reluLayer('Name','ActorRelu2') fullyConnectedLayer(32,'Name','ActorFC3','WeightsInitializer','he') reluLayer('Name','ActorRelu3') fullyConnectedLayer(numel(ainfo.Elements),'Name','Action') softmaxLayer('Name','SM')]; % Actor representations actorOpts = rlRepresentationOptions('LearnRate',1e-4); actorA = rlStochasticActorRepresentation(actorNetwork,oinfo,ainfo,... 'Observation',{'observation'},actorOpts); actorB = rlStochasticActorRepresentation(actorNetwork,oinfo,ainfo,... 'Observation',{'observation'},actorOpts);
Создайте агентов. Оба агента используют одинаковые опции.
agentOptions = rlPPOAgentOptions(... 'ExperienceHorizon',256,... 'ClipFactor',0.125,... 'EntropyLossWeight',0.001,... 'MiniBatchSize',64,... 'NumEpoch',3,... 'AdvantageEstimateMethod','gae',... 'GAEFactor',0.95,... 'SampleTime',Ts,... 'DiscountFactor',0.9995); agentA = rlPPOAgent(actorA,criticA,agentOptions); agentB = rlPPOAgent(actorB,criticB,agentOptions);
Во время обучения агенты собирают опыт до тех пор, пока не будет достигнут горизонт опыта 256 шагов или прекращение эпизода, а затем обучаются из мини-пакетов 64 переживаний. Этот пример использует коэффициент клипа целевой функции 0,125 для улучшения устойчивости обучения и коэффициент дисконтирования 0,9995 для поощрения долгосрочных вознаграждений.
Задайте следующие опции обучения для обучения агентов.
Запустите обучение самое большее для 1000 эпизодов с каждым эпизодом, длящимся самое большее 5000 временных шагов.
Остановите обучение агента, когда его среднее вознаграждение за 100 последовательных эпизодов составляет -10 или более.
maxEpisodes = 1000; maxSteps = 5e3; trainOpts = rlTrainingOptions(... 'MaxEpisodes',maxEpisodes,... 'MaxStepsPerEpisode',maxSteps,... 'ScoreAveragingWindowLength',100,... 'Plots','training-progress',... 'StopTrainingCriteria','AverageReward',... 'StopTrainingValue',-10);
Чтобы обучить несколько агентов, задайте массив агентов для train
функция. Порядок агентов в массиве должен совпадать с порядком путей к блокам агентов, заданным во время создания окружения. Это гарантирует, что объекты агента связаны с соответствующими интерфейсами ввода-вывода в окружении. Обучение этих агентов может занять несколько часов, в зависимости от доступной вычислительной степени.
Файл MAT rlCollaborativeTaskAgents
содержит набор предварительно обученных агентов. Можно загрузить файл и просмотреть эффективность агентов. Чтобы обучить агентов самостоятельно, установите doTraining
на true
.
doTraining = false; if doTraining stats = train([agentA, agentB],env,trainOpts); else load('rlCollaborativeTaskAgents.mat'); end
Следующий рисунок показывает моментальный снимок процесса обучения. Вы можете ожидать различных результатов из-за случайности в процессе обучения.
Моделируйте обученных агентов в окружении.
simOptions = rlSimulationOptions('MaxSteps',maxSteps);
exp = sim(env,[agentA agentB],simOptions);
Для получения дополнительной информации о симуляции агента смотрите rlSimulationOptions
и sim
.