Reinforcement Learning Toolbox

 

Reinforcement Learning Toolbox

Diseñe y entrene políticas con Reinforcement Learning

Agentes de Reinforcement Learning

Cree agentes de Reinforcement Learning sin modelos y basados en modelos utilizando algoritmos de uso más frecuente, tales como DQN, PPO y SAC. Si lo prefiere, puede desarrollar sus propios algoritmos personalizados con las plantillas proporcionadas. Utilice el bloque RL Agent para incorporar agentes en Simulink.

App Reinforcement Learning Designer

Diseñe, entrene y simule agentes de Reinforcement Learning interactivamente. Exporte agentes entrenados a MATLAB para su posterior uso y despliegue.

Señales de recompensa

Cree señales de recompensa que midan el éxito del agente en lograr su objetivo. Genere funciones de recompensa automáticamente a partir de especificaciones de control definidas en Model Predictive Control Toolbox o Simulink Design Optimization.

Representación de políticas

Inicie proyectos rápidamente utilizando arquitecturas de redes neuronales sugeridas por la toolbox. Si lo prefiere, puede explorar tablas de búsqueda o definir políticas de redes neuronales manualmente, con capas de Deep Learning Toolbox, y la app Deep Network Designer.

Entrenamiento con Reinforcement Learning

Entrene agentes mediante interacciones con un entorno o empleando datos existentes. Explore el entrenamiento de monoagentes y multiagentes. Registre y visualice datos de entrenamiento, y supervise el progreso sobre la marcha.

Cálculo distribuido

Acelere el entrenamiento utilizando equipos multinúcleo, recursos en la nube o clusters de proceso con Parallel Computing Toolbox y MATLAB Parallel Server. Emplee varias GPU para acelerar operaciones tales como cálculo y predicción de gradientes.

Modelado de entornos

Modele entornos que interactúen perfectamente con agentes de Reinforcement Learning utilizando MATLAB y Simulink. Interactúe con herramientas de modelado de terceros.

Generación y despliegue de código

Genere automáticamente código C/C++ y CUDA a partir de políticas entrenadas para despliegue en dispositivos integrados. Utilice MATLAB Compiler y MATLAB Production Server para desplegar políticas entrenadas en sistemas de producción en forma de aplicaciones independientes, librerías compartidas de C/C++, y mucho más.

Ejemplos de referencia

Diseñe controladores y algoritmos de toma de decisiones para aplicaciones de robótica, conducción autónoma, calibración y planificación, entre otras. Consulte nuestros ejemplos de referencia para iniciarse rápidamente.

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

Ambrose Kam, Lockheed Martin

Obtenga una versión de prueba gratuita

30 días de exploración a su alcance.


¿Tiene interés en comprar?

Obtenga información sobre precios y explore productos relacionados.

¿Es estudiante?

Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.