Esta página se ha traducido mediante traducción automática. Haga clic aquí para ver la última versión en inglés.

loss

Calcular la pérdida entre los estados previstos y los estados reales

Desde R2023b

Sintaxis

L = loss(mpnet,statePred,stateActual)

Descripción

L = loss(mpnet,statePred,stateActual) calcula la pérdida entre los estados previstos y los estados reales mientras entrena las redes de planificación de movimiento (MPNet). La función calcula el valor de la pérdida calculando la distancia cuadrática media ponderada entre los estados reales y los estados pronosticados. Al entrenar la red, el objetivo es minimizar la pérdida entre los resultados previstos y los resultados reales. También puede utilizar la función loss para comprobar la precisión de un MPNet entrenado durante la prueba.

Nota

Para ejecutar esta función, necesitará Deep Learning Toolbox™.

Ejemplos

Calcular la pérdida entre los estados reales y los estados previstos

Cargue un archivo de datos que contenga un MPNet previamente entrenado y parámetros de entrenamiento como pesos de pérdida, límites de estado y tamaño de codificación en el espacio de trabajo de MATLAB® .

data = load("mazeMapTrainedMPNET")

data = struct with fields:
      encodingSize: [9 9]
       lossWeights: [100 100 0]
        mazeParams: {[5]  [1]  'MapSize'  [10 10]  'MapResolution'  [2.5000]}
       stateBounds: [3×2 double]
    trainedNetwork: [1×1 dlnetwork]

Configure el objeto mpnetSE2 para utilizar el MPNet entrenado previamente.

mpnet = mpnetSE2(Network=data.trainedNetwork,StateBounds=data.stateBounds, ...
                EncodingSize=data.encodingSize);

Especifique las muestras del estado real para ground-truth.

stateActual = [4 1 pi/4; 6 1 pi/4];

Especifique los valores de muestra del estado previsto.

statePred = [5 2 pi/5; 7 4 pi/5];

Para calcular la pérdida entre los estados reales y los estados previstos, debe normalizar las variables del espacio de estados x y y en el rango [0, 1]. Utilice la función local preprocessVariables para normalizar las variables de estado.

stateActual = preprocessVariables(stateActual,mpnet.StateBounds);
statePred = preprocessVariables(statePred,mpnet.StateBounds);

Calcule la pérdida entre las muestras de estado predichas y las muestras de estado real.

lossvalue = loss(mpnet,statePred,stateActual)

lossvalue = 
  1×1 dlarray

    0.0662

Función de ayuda

Utilice la función local preprocessVariables para normalizar las variables del espacio de estados. La función normaliza las variables de espacio de estado x y y en el rango [0, 1].

La función también ajusta los límites del ángulo de orientación del espacio de estado de entrada para que se encuentren dentro de un rango específico, para evitar valores NaN.

function [output] = preprocessVariables(stateIn,stateBounds)
output = zeros(4,size(stateIn,1));
for i = 1:size(stateIn,1)
    state = stateIn(i,:);
    cosTheta = cos(state(:,3));
    sinTheta = sin(state(:,3));
    input = [state(:,1:2) cosTheta sinTheta];

    thetaBounds = stateBounds(3,:);
    sinThetaLimits = sort(sin(thetaBounds));
    cosThetaLimits = sort(cos(thetaBounds));
    %% Sin limits
    if thetaBounds(1) < pi/2 && thetaBounds(2) > pi/2
        sinThetaLimits(2) = 1;
    end
    if thetaBounds(1) < -pi/2 && thetaBounds(2) > -pi/2
        sinThetaLimits(1) = -1;
    end
    %% Cos limits
    if thetaBounds(1) < 0 && thetaBounds(2) > 0
        cosThetaLimits(2) = 1;
    end
    positionLimits = stateBounds(1:2,:);
    StateBoundsTransformed = [positionLimits; cosThetaLimits; sinThetaLimits];
    minlimit(1,:) = StateBoundsTransformed(:,1);
    maxlimit(1,:) = StateBoundsTransformed(:,2);
    output(:,i) = (input - minlimit)./(maxlimit - minlimit);
end
end

Argumentos de entrada

mpnet — MPNnet entrenado

objeto mpnetSE2

MPNet entrenado, especificado como un objeto mpnetSE2.

statePred — Estados previstos

matriz de 4 por n

Estados predichos, especificados como una matriz de 4 por n. n es el número de estados predichos. Cada fila tiene el formato [x y cos(θ) sin(θ)]. x, y y θ son las variables del espacio de estado.

Las variables de espacio de estado x y y deben normalizarse en el rango [0, 1]. El ángulo de orientación θ debe estar dentro del rango [–pi, pi]. Las unidades están en radianes.

Tipos de datos: single | double

stateActual — Estados reales

matriz de 4 por n

Estados reales, especificados como una matriz de 4 por n de vectores fila. n es el número total de estados. Cada fila tiene el formato [x y cos(θ) sin(θ)]. x, y y θ son las variables del espacio de estados.

Las variables de espacio de estado x y y deben normalizarse en el rango [0, 1]. El ángulo de orientación θ debe estar dentro del rango [-pi, pi]. Las unidades están en radianes.

Tipos de datos: single | double

Argumentos de salida

L — Valor de pérdida calculado

objeto dlarrray

Valor de pérdida calculado, devuelto como un objeto dlarray (Deep Learning Toolbox).

Referencias

[1] Qureshi, Ahmed Hussain, Yinglong Miao, Anthony Simeonov, and Michael C. Yip. “Motion Planning Networks: Bridging the Gap Between Learning-Based and Classical Motion Planners.” IEEE Transactions on Robotics 37, no. 1 (February 2021): 48–66. https://doi.org/10.1109/TRO.2020.3006716.

Capacidades ampliadas

Generación de código C/C++
Genere código C y C++ mediante MATLAB® Coder™.

Historial de versiones

Introducido en R2023b

Consulte también

Objetos

• mpnetSE2

Funciones

• predict | copy