multi agent neurosym transformers

Transformadores neurosimbólicos para la comunicación multiagente

Dependencias

Pitón 3

Gimnasio OpenAI 0.11.0

PyTorch

Biblioteca de gráficos profundos (https://www.dgl.ai/)

Ilustración en vídeo de las distintas tareas:

Encuentre un video breve en task_video.mp4 para comprender mejor las tareas utilizadas en este documento.

Modelos previamente entrenados:

Puede encontrar los modelos previamente entrenados para todas las tareas en la carpeta principal/resultados/.

tarea random_cross -> principal/resultados/model_random_cross/

tarea random_grid -> principal/resultados/model_random_grid/

tarea unlabeled_goals -> principal/resultados/model_unlabeled/

two_groups_cross en la Figura 1 -> principal/resultados/model_2groups_cross/

Generando parcelas:

  # 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

Los cmds anteriores deberían crear gráficos en main/results/RESULT_DIR/plots/

Simulando modelos previamente entrenados:

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

RESULT_DIR puede ser model_random_cross, model_random_grid, model_unlabeled, model_2groups_cross.

BASELINE puede ser tf-full, hard, dist, prog, prog-retrained, dt, dt-retrained, det, det-retrained.

Tenga en cuenta que prog-retrained es la versión correspondiente a nuestro enfoque completo.

Modelos de entrenamiento desde cero.

Para entrenar modelos desde cero, ejecute los siguientes scripts. (Tenga en cuenta que esta parte lleva varias horas y requiere GPU)

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