Mar, 2019

MinAtar: 一个基于 Atari 的测试平台，用于进行彻底和可重现的强化学习实验

PDF
TL;DRMinAtar 是一个类 Atari 的环境，用于研究强化学习智能体中涉及行为挑战的问题，其简化了表示学习的问题并提供了更少的计算，以便研究人员能够更细致地研究行为挑战。
arcade learning environmentreinforcement learningminatarbehavioural challengesrepresentation learning
发现论文，激发创造
  • Atari-5: 将街机学习环境精简到五个游戏

    本研究提出一种选择典型游戏子集的方法，将该方法应用于 Arcade Learning Environment 并成功地从 57 个游戏中选出一个仅包含 5 个游戏的子集（称为 Atari-5），该子集产生的分数估计准确率高并能很好地充分代表所有游戏的性能表现。同时，该研究还发现 ALE 中很多游戏之间存在高度相关性。

    Oct, 2022

  • Arcade Learning Environment：通用智能体评估平台

    该论文介绍了 Arcade Learning Environment（ALE），这是一个既是挑战问题又是平台和方法论，用于评估通用、域无关的人工智能技术的发展。ALE 提供了与数百种 Atari 2600 游戏环境的接口，每个环境都不同、有趣且旨在挑战人类玩家。ALE 为强化学习、模型学习、基于模型的规划、仿真学习、迁移学习和内在动机提供了重大的研究挑战，并提供了一个严格的测试平台，用于评估和比较这些问题的方法。

    Jul, 2012

  • 重新审视街机学习环境：通用智能体的评估协议和开放问题

    该文章探讨了 Arcade Learning Environment（ALE） 作为评估平台对研究社区的影响，并重点说明在该平台中评估代理时的一些核心问题。此外，该文章还提出了一些研究方法的最佳实践，并介绍了一个支持多种游戏模式的新版本 ALE，提供了一种被称为粘性操作的随机性。

    Sep, 2017

  • 虚拟现实增强的 Atari 强化学习

    这篇论文研究了使用图像分割模型改善 Atari 视频游戏下强化学习代理性能的方法，结果表明当使用增强像素输入时，性能得到提升，这可以为 “虚拟增强现实视频游戏强化学习代理” 领域的更广泛研究提供指导。

    Oct, 2023

  • 使用浅层强化学习技术控制 Atari 游戏的现状

    本文研究深度强化学习算法 DQN 在 Atari 2600 游戏中成功的关键，并提供一种通用的表示方法，以减轻对每个游戏进行表示学习的负担，并为未来 ALE 计算机学习领域提供了可复制和可比性的基准。

    Dec, 2015

  • HackAtari：强劲持续增强学习的 Atari 学习环境

    通过引入可控的新奇性，我们在 Atari Learning Environment 这一最常见的强化学习基准中提出了 HackAtari 框架，以增强强化学习算法的鲁棒性和行为一致性。

    Jun, 2024

  • 使用竞争式强化学习进行 Atari 游戏之间的视觉迁移

    该论文探讨了使用深度强化学习智能体将知识从一个环境转移到另一个环境的方法，其中使用异步优势演员 - 评论家架构来使用在 Atari 中训练的代理来将目标游戏进行泛化，并使用多个代理在视觉映射 transferred targets 的基础上训练模型，以提高性能、数据效率和稳定性。该架构的功能在 OpenAI gym 中的 Atari 游戏 Pong-v0 和 Breakout-v0 中进行了演示。

    Sep, 2018

  • OCAtari: 以物体为中心的 Atari 2600 强化学习环境

    本文介绍了 OCAtari 这个环境，它提供了针对 Atart 游戏的以物体为中心的状态表示，可以用于深度强化学习方法的评估，允许我们改变和创建特定甚至是新颖的情境来进行 RAM 状态操作。

    Jun, 2023

  • 深度强化学习在 Atari 上真的超越人类了吗？平衡竞技场

    介绍了 SABER 工具以及 human world records baseline, 通过 SABER 对当前最先进的 Rainbow 项目进行了评估，通过将 Implicit Quantile Networks 添加到 Rainbow 中提出了 Rainbow-IQN 算法用于提高性能。

    Aug, 2019

  • 离散世界模型掌握 Atari

    DreamerV2 是一种基于 world models 且在离线的训练集上通过 reinforcement learning 进行策略 (即行为) 学习的智能体，用于通过对 compact latent space 进行预测，实现从 Atari 游戏或连续动作任务的图像输入中进行行为学习的高效模型，实现了在 55 个任务中的 human-level 的性能，获得了与 IQN 和 Rainbow 类似的结果。

    Oct, 2020