Feb, 2022

Avalanche RL: 一个连续强化学习库

PDF
TL;DR本文提出的 Avalanche RL 是一个用于 Continual Reinforcement Learning 的库，基于 PyTorch，支持任何 OpenAI Gym 环境。我们还推出了 Continual Habitat-Lab，其中包括一个新的基准和一个高级库，使得在 photorealistic simulator Habitat-Sim 上进行 CRL 研究成为可能。
continual reinforcement learningavalanche rlpytorchopenai gymcontinual habitat-lab
发现论文，激发创造
  • Avalanche：面向端到端的连续学习库

    本文提出了基于 PyTorch 的开源持续学习库 Avalanche，该库旨在为快速原型设计、训练和可重复评估持续学习算法提供共享和协作的代码库。

    Apr, 2021

  • 3D 非静态环境下的持续强化学习

    本文提出了一种基于 ViZDoom 的复杂三维非稳态任务的 CRLMaze Continual 学习策略，可以在非稳态的环境下进行端到端无模型学习，并与其他基线方法相比表现出竞争力。

    May, 2019

  • CaiRL：高性能强化学习环境工具箱

    本论文提出了 CaiRL 环境工具包作为一种有效、兼容性良好、可持续性更高的训练学习代理的替代方法，并提出了更高效环境模拟的方法，以解决当前强化学习工具包效率低下的问题。

    Oct, 2022

  • 迈向持续强化学习：综述与展望

    本文综述了关于非不变 RL（Lifelong 或非平稳 RL）的不同公式和方法的文献，提出了连续 RL 公式的分类法，并提供了连续 RL 方法的分类。此外，我们讨论了评估连续 RL 代理的重要度量和开放性问题，并强调了这方面的研究前景。

    Dec, 2020

  • 以计算有限的强化学习为基础的持续学习

    一个高效地累积知识、在长期生命周期中不断发展更复杂技能的代理机构，可以推动人工智能能力的前沿。本文概述和形式化了持续学习的概念，引入了一个框架和一套工具来激发进一步的研究。

    Jul, 2023

  • Continual World：一个用于连续强化学习的机器人基准测试

    提出了 Continual World 基准，并进行了基于机器人任务的方法评估，该评估针对 Continual learning 中的前向迁移和 Catastrophic forgetting 进行优化，以提高方法在 RL 中的性能。

    May, 2021

  • 作为终身学习现实场景的持续协调

    本研究提出了一个基于 Hanabi 的多智能体生涯学习测试平台，研究了最新的多智能体强化学习算法，对限制的内存和计算权衡性能以及对超量训练预测的影响，证明了我们的代理可以在没有任何其他假设的情况下良好地与未见代理协调。

    Mar, 2021

  • Avalon: 使用程序生成世界的强化学习泛化基准

    通过引入针对强化学习通用化的 Avalon 挑战集，旨在帮助深度强化学习系统更好地适应于新任务和不同的环境，该集合基于高度多样化的 3D 环境，要求机器人体现出导航、狩猎和采集等能力，在每个地图中生存下来，该挑战集不仅限于改变环境仍使用相同的奖励函数、世界动力学和动作空间，每个任务都要求机器人在复杂程度上有所提升，Avalon 挑战集包括高效的仿真器和基准库，可用于基本检测和评分，现有的标准强化学习基线在大多数任务上都有进展，但仍远非人类表现，说明 Avalon 挑战集足够具有挑战性，可进一步推动深度强化学习通用化研究的进展。

    Oct, 2022

  • L2Explorer: 一种终身强化学习评估环境

    介绍了一种基于 Lifelong Learning Explorer（L2Explorer）框架的连续 RL 开发和评估方法，其提供了一种开放世界环境下的未来评估方法的框架，并严格评估终身学习方法。

    Mar, 2022

  • 进化强化学习：综述

    这篇文章综述了将进化计算方法与强化学习相结合的最新研究进展和方法，涉及强化学习中的关键研究领域及未来方向，为研究者和实践者提供参考和资源。

    Mar, 2023