AAAIJun, 2021

Scenic4RL：强化学习环境的编程建模与生成

PDF
TL;DR使用 SCENIC 形式化场景语言对 Google Research Football 模拟器进行界面生成场景，以便在实时策略环境中训练强化学习代理并测试其概括能力。研究人员可以利用 SCENIC 将其领域知识整合到训练过程中以使其更快和更直观。
reinforcement learningreal-time strategyscenario generationformal specification languagegoogle research football
发现论文，激发创造
  • Scenic: 一种情景描述和场景生成语言

    本文提出了一种新的概率编程语言，用于设计和分析感知系统，特别是基于机器学习的系统，在处理罕见事件、测试性能和调试故障方面能够发挥作用；我们将其称为 Scenic，并将其应用于自动驾驶汽车和机器人等系统中，以描述场景。

    Sep, 2018

  • Scenic: 用于场景规格和数据生成的语言

    介绍了一种基于概率编程语言的开发和分析方法，特别用于基于机器学习的物联网系统，提出了一种基于 Scenic 的分布式场景和环境模型的领域特定语言，并在卷积神经网络中进行了应用。

    Oct, 2020

  • 从自然语言生成概率场景程序

    利用自然语言生成场景程序的 AI 系统 ScenarioNL，通过 Scenic 概率编程语言，能够清晰而简洁地表示关于 CPS 行为、属性和相互作用的不确定性和变化，并能生成语法正确和语义有意义的代码，基于加利福尼亚州过去五年的公开可用的自动驾驶车辆事故报告进行了系统评估。

    May, 2024

  • Scilab-RL：用于高效强化学习和认知建模研究的软件框架

    通过 Scilab-RL 软件框架，研究人员能够有效进行认知建模和强化学习方面的研究，特别注重基于目标的强化学习和实验可视化，最大限度地提高研究产出。

    Jan, 2024

  • 新环境下的快速任务解决

    在未知环境中提出了快速任务解决的挑战，引入了两个具有挑战性的任务领域进行研究，发现深度强化学习算法无法在其中表现出色，提出了一种名为 EPN 的新模型优于深度强化学习算法.

    Jun, 2020

  • 使用生成环境模型塑造强化学习中的信念状态

    本文提出了一种在复杂环境中高效训练表现出色的生成模型的方法，通过预测算法和一个表现出色的生成模型，可以在视觉丰富和动态的 3D 环境中形成稳定的信念状态，并且在强型自由基线代理程序中显著提高数据效率。

    Jun, 2019

  • 开放式世界中的学习课程

    该论文介绍了一种称为无监督环境设计（UED）的方法，通过自动生成无限的训练环境序列或课程以匹配或超过真实世界的复杂性，从而实现深度强化学习代理在鲜有环境示例中表现出显著改进的鲁棒性和泛化能力，这些自生成的环境课程为不断生成和掌握自主设计的额外挑战的开放式学习系统提供了有希望的路径。

    Dec, 2023

  • 无监督环境设计中有效的多样性

    利用强化学习的自适应课程和基于新颖距离测量的方法训练代理来适应不同的环境设计，与其他无监督环境设计方法相比，证明了本方法在文献中使用的三个不同基准问题的多样性和有效性。

    Jan, 2023

  • SDGym: 使用系统动力学模型的低代码强化学习环境

    通过引入系统动态方法（SD）作为一种补充方法，利用 SDGym 生成基于 SD 模拟模型的定制强化学习（RL）环境，验证了通过预先存在的 SD 模型和少量的配置代码可以生成良好指定、丰富的 RL 环境。

    Oct, 2023

  • 基于场景的自动驾驶行为预测模型测试平台

    本文介绍了一种基于仿真的测试平台，支持用名为 Scenic 的概率编程语言进行情景建模，指定具有部分优先级排序的多目标评估指标，验证所提供的指标，以及进行可伸缩的测试。该平台包含 25 个 Scenic 程序库，并测试了行为预测模型并寻找失败情景。

    Oct, 2021