基于DDPG Agent的四足机器人运动

这个示例使用:

打开生活的脚本

这个例子展示了如何使用深度确定性策略梯度(deep deterministic policy gradient, DDPG) agent训练四足机器人行走。本例中的机器人使用Simscape™Multibody™建模。有关DDPG代理的更多信息，请参见双延迟深度确定性策略梯度代理．

将必要的参数加载到MATLAB®的基本工作空间中。

initializeRobotParameters

四足机器人模型

本例的环境是一个四足机器人，训练目标是使机器人以最小的控制努力沿直线行走。

采用Simscape Multibody和Simscape多体接触力库．主要结构部件是四条腿和一个躯干。腿通过转动关节与躯干相连。RL Agent块提供的动作值被缩放并转换为关节扭矩值。这些关节转矩值被转动关节用来计算运动。

打开模型。

mdl=“rlQuadrupedRobot”；open_system (mdl)

警告:无法识别的函数或变量'CloneDetectionUI.internal.CloneDetectionPerspective.register'。

观察

机器人环境向代理提供了44个观测值，每个观测值在–1和1之间标准化。这些观测值是：

躯干重心的Y（垂直）和Z（横向）位置
表示躯干方向的四元数
重心处躯干的X（向前）、Y（垂直）和Z（横向）速度
躯干的滚转，俯仰和偏航率
每条腿的髋关节和膝关节的角度位置和速度
每条腿接触地面时的法向力和摩擦力
动作值(每个关节的扭矩)从上一个时间步骤

对于所有四条腿，髋关节和膝关节角度的初始值分别设置为-0.8234和1.6468 rad。关节的中立位置为0 rad。当腿伸展到最大时，腿处于中立位置，并与地面垂直对齐。

行动

代理生成8个在-1和1之间标准化的操作。与比例因子相乘后，这些对应于转动关节的8个关节扭矩信号。每个关节的总扭矩界限为+/ - 10n·m。

奖励

在训练过程中的每一个时间步骤中，向agent提供如下奖励。这个奖励功能通过为正向速度提供正向奖励来鼓励代理向前移动。它还通过提供固定的奖励( $2. 5. T_{s} / T_{F}$ )在每个时间步。奖励函数中的剩余项是阻止不必要状态的惩罚，例如与所需高度和方向的较大偏差或使用过大的关节扭矩。

$R_{T} = v_{x} + 2. 5. \frac{T_{s}}{T_{F}} - 5. 0 {Y_{}^{ˆ}}^{2.} - 2. 0 θ^{2.} - 0 ． 0 2. \sum_{我} {U_{T - 1.}^{我}}^{2.}$

哪里

$v_{x}$ 是躯干重心在x方向上的速度。
$T_{s}$ 和 $T_{F}$ 分别是环境的采样时间和最终模拟时间。
$Y_{}^{ˆ}$ 为躯干质心从0.75米期望高度的比例高度误差。
$θ$ 是躯干的俯仰角度。
$U_{T - 1.}^{我}$ 是关节的动作值 $我$ 从上一个时间步骤。

情节终止

在训练或模拟期间，如果出现下列任何情况，本集将终止。

躯干重心离地面的高度低于0.5 m（下降）。
躯干的头部或尾部在地面以下。
任何膝关节都在地面以下。
滚转、俯仰或偏航角在边界外(分别为+/ - 0.1745、+/ - 0.1745和+/ - 0.3491 rad)。

创建环境接口

指定观察集的参数。

numObs=44；obsInfo=rlNumericSpec（[numObs 1]）；obsInfo.Name=“观察”；

指定操作集的参数。

numAct=8；actInfo=rlNumericSpec（[numact1]，“LowerLimit”, 1“上限”1);actInfo。Name =“扭矩”；

使用强化学习模型创建环境。

黑色= [mdl,“/RL代理”]; 环境=rlSim万博1manbetxulinkEnv（mdl、blk、obsInfo、actInfo）；

在训练期间，重置功能会将随机偏差引入初始关节角度和角速度。

env。ResetFcn = @quadrupedResetFcn;

创建DDPG代理

DDPG代理使用评判值函数表示法近似给定观察和行动的长期回报。代理还使用参与者表示法确定给定观察采取的行动。本例中的参与者和评论家网络受[2]启发。

有关创建深度神经网络值函数表示的更多信息，请参见创建策略和值函数表示．有关为DDPG代理创建神经网络的示例，请参见培训DDPG代理控制双积分系统．

在MATLAB工作空间中创建网络使用创建网络辅助函数。

创建网络

您还可以使用深层网络设计师应用程序。

查看网络配置。

绘图（关键网络）

使用指定代理选项rlDDPGAgentOptions．

agentOptions = rlDDPGAgentOptions;agentOptions。SampleTime = t;agentOptions。DiscountFactor = 0.99;agentOptions。MiniBatchSize = 250;agentOptions。ExperienceBufferLength = 1 e6;agentOptions。TargetSmoothFactor = 1e-3; agentOptions.NoiseOptions.MeanAttractionConstant = 0.15; agentOptions.NoiseOptions.Variance = 0.1;

创建RLDDPG试剂代理的对象。

代理= rlDDPGAgent(演员、评论家、agentOptions);

指定培训选项

要培训代理，首先指定以下培训选项:

每一集最多10000集，每一集最多持续时间maxSteps时间步长。
在“事件管理器”对话框中显示培训进度（设置情节选项)，并禁用命令行显示(设置详细的选项)。
当代理在250个连续事件中收到超过190个平均累积奖励时，停止训练。
当累计奖励超过200时，为每一集保存一份代理。

maxEpisodes = 10000;maxSteps =地板(Tf / Ts);trainOpts = rlTrainingOptions (...“MaxEpisodes”，每集，...“MaxStepsPerEpisode”maxSteps,...“ScoreAveragingWindowLength”, 250,...“详细”符合事实的...“情节”,“培训进度”,...“停止培训标准”,“AverageReward”,...“StopTrainingValue”,190,...“SaveAgentCriteria”,“情节报酬”,...“SaveAgentValue”,200);

要并行地培训代理，请指定以下培训选项。并行培训需要并行计算工具箱™软件。如果您没有安装并行计算工具箱™软件，请设置UseParallel到错误的．

设定UseParallelt选项后悔．
异步并行训练代理。
每走32步后，每个工作者将经验发送给主机。
DDPG代理要求工人发送“经验”主机。

trainOpts。UseParallel = true;trainOpts.ParallelizationOptions.Mode =“异步”；trainOpts.ParallelizationOptions.StepsUntilDataIsSent=32；trainOpts.ParallelizationOptions.DataToSendFromWorkers=“经验”；

列车员

训练代理人使用火车函数。由于机器人模型的复杂性，这个过程是计算密集型的，需要几个小时才能完成。为了节省运行此示例的时间，请通过设置加载预先训练过的代理溺爱到错误的．自己训练代理人，设置溺爱到真正的.由于并行训练的随机性，您可以从下图中看到不同的训练结果。

doTraining = false;如果溺爱%培训代理人。trainingStats =火车(代理,env, trainOpts);其他的%为示例加载预训练的代理。装载(“rlQuadrupedAgent.mat”,“代理人”)终止

模拟训练的代理

修复随机生成器种子的再现性。

rng（0）

要验证经过训练的agent的性能，请在robot环境中对其进行模拟。有关agent模拟的更多信息，请参阅rlSimulationOptions和模拟．

simOptions = rlSimulationOptions (“MaxSteps”, maxSteps);经验= sim (env,代理,simOptions);

关于如何训练一个DDPG代理行走一个两足机器人和模拟Simscape™多体™的类人步行者的例子，请参见使用强化学习代理训练两足机器人行走和火车人形沃克（Simscape多体）分别地

参考文献

Heess, Nicolas, Dhruva TB, Srinivasan Sriram, Jay Lemmon, Josh Merel, Greg Wayne, Yuval Tassa等，《丰富环境中运动行为的出现》。ArXiv:1707.02286[Cs]2017年7月10日。https://arxiv.org/abs/1707.02286．

Lillicrap, Timothy P, Jonathan J. Hunt, Alexander Pritzel, Nicolas Heess, Tom Erez, Yuval Tassa, David Silver和Daan Wierstra。“深度强化学习的连续控制”。ArXiv:1509.02971[Cs，Stat]，2019年7月5日。https://arxiv.org/abs/1509.02971．