logo资料库

cn-reinforcement-learning-ebook-all-chapters.pdf

发布时间：2022-06-08 发布人：admin 分类：说明书 资料大小：9.43M 资料格式：pdf 举报 版权申诉
第1页 / 共89页
第2页 / 共89页
第3页 / 共89页
第4页 / 共89页
第5页 / 共89页
第6页 / 共89页
第7页 / 共89页
第8页 / 共89页
资料共89页，剩余部分请下载后查看
    使用 MATLAB 进行强化学习
    目录 1. 了解基础知识并设置环境 2. 了解奖励和策略结构 3. 了解训练和部署
    第 1 部分: 了解基础知识并设置环境
    什么是强化学习？ 强化学习旨在学习如何做，即如何根据情况采取动作， 从而实现数值奖励信号最大化。学习者不会接到动作 指令，而是必须自行尝试去发现回报最高的动作方案。 —Sutton and Barto，强化学习：简介 强化学习 (RL) 已成功地训练计算机程序在游戏中击败全球最厉 害的人类玩家。 在状态和动作空间较大、环境信息不完善并且短期动作的长期回 报不确定的游戏中，这些程序可以找出最佳动作。 在为真实系统设计控制器的过程中，工程师面临同样的挑战。 另外，强化学习能否帮助解决复杂的控制问题，例如训练机器人 走路或驾驶自动驾驶汽车？ 本电子书通过在传统控制问题的语境下解读什么是强化学习， 帮助您了解如何设置和解决 RL 问题。 使用 MATLAB 进行强化学习 | 4
    控制目标 从广义上而言，控制系统的目标是确定生成期望的系统行为的正确系统 输入（动作）。 在反馈控制系统中，控制器使用状态观测提高性能并修正随机干扰。工程 师运用反馈信号，以及描述被控对象和环境的模型，设计控制器，从而满 足系统需求。 以上概念表述十分简单；然而，倘若系统难以建模、高度非线性或者状态 和动作空间较大，则很难实现控制目标。 使用 MATLAB 进行强化学习 | 5
    控制问题 为了理解此类难题对控制设计问题造成的进一步后果，不妨设想一下开 发步行机器人控制系统的场景。 要控制机器人（即系统），可能需要指挥数十台电机操控四肢的各个关节。 每一项命令是一个可执行的动作。系统状态观测量有多种来源，包括摄像 机视觉传感器、加速度计、陀螺仪及各电机的编码器。 控制器必须满足多项要求： • 确定适当的电机扭矩组合，确保机器人正常步行并保持躯体平衡。 • 在需要避开多种随机障碍物的环境下操作。 • 抗干扰，如阵风。 控制系统设计不仅要满足上述要求，还需满足其他附加条件，比如在陡峭 的山坡或冰块上行走时保持平衡。 使用 MATLAB 进行强化学习 | 6
    控制方案 通常，解决此类问题的最佳方法是将问题分解成为若干部分，逐个击破。 例如，您可以构建一个提取摄像机图像特征的流程。比方说，障碍物的位 置和类型，或者机器人在全局参照系中所处的位置。综合运用这些状态与 其他传感器传回的处理后的观测值，完成全状态估测。 估算的状态值和参考值将馈送至控制器，其中很可能包含多个嵌套控制 回路。外部环路负责管理高级机器人行为（如保持平衡），内部环路用于管 理低级行为和各个作动器。 所有问题都解决了吗？那可未必。 各环路之间相互交互，使得设计和调优变得异常困难。同时，确定最佳的 环路构造和问题分解也并不轻松。 使用 MATLAB 进行强化学习 | 7
    强化学习的魅力 不是尝试单独设计每一个组件，而是设想一下将其全部塞进一个函数里， 由该函数负责接收所有观察结果并直接输出低级动作。 毋庸置疑，这可以简化系统方块图，但这个函数会是怎样的结构？你该如 何设计这个函数呢？ 创建一个单一的大函数比构建由分段子组件构成的控制系统，看起来难 度要大；不过，强化学习可以助您达成目标。 使用 MATLAB 进行强化学习 | 8
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料