multi agent neurosym transformers

Neurosymbolische Transformatoren für die Multiagentenkommunikation

Abhängigkeiten

Python 3

OpenAI Gym 0.11.0

PyTorch

Deep-Graph-Bibliothek (https://www.dgl.ai/)

Videoveranschaulichung zu den verschiedenen Aufgaben:

Unter task_video.mp4 finden Sie ein kurzes Video, um ein besseres Verständnis der in diesem Dokument verwendeten Aufgaben zu erhalten.

Vorab trainierte Modelle:

Sie finden die vorab trainierten Modelle für alle Aufgaben im Ordner main/results/.

random_cross-Aufgabe -> main/results/model_random_cross/

random_grid-Aufgabe -> main/results/model_random_grid/

unlabeled_goals-Aufgabe -> main/results/model_unlabeled/

two_groups_cross in Abbildung 1 -> main/results/model_2groups_cross/

Plots erstellen:

  # To generate plots for Figures 2 and 6
  # Random cross
  python3 -m main.plot_results --result_dir=model_random_cross --env=FormationTorch-v0
  # Random grid
  python3 -m main.plot_results --result_dir=model_random_grid --env=FormationTorch-v0
  # Random cross
  python3 -m main.plot_results --result_dir=model_unlabeled --env=UnlabeledGoals-v0

Die oben genannten Cmds sollten Plots unter main/results/RESULT_DIR/plots/ erstellen.

Simulation vorab trainierter Modelle:

   python3 -m main.replay  --result_dir=RESULT_DIR --baseline=BASELINE

RESULT_DIR kann model_random_cross, model_random_grid, model_unlabeled, model_2groups_cross sein.

BASELINE kann tf-full, hard, dist, prog, prog-retrained, dt, dt-retrained, det, det-retrained sein.

Beachten Sie, dass prog-retrained die Version ist, die unserem vollständigen Ansatz entspricht.

Trainingsmodelle von Grund auf

Führen Sie die folgenden Skripts aus, um Modelle von Grund auf zu trainieren. (Beachten Sie, dass dieser Teil mehrere Stunden dauert und GPUs erfordert)

  # Random cross
  bash run_random_cross.sh
  # Random grid
  bash run_random_grid.sh
  # Random cross
  bash run_unlabeled_goals.sh