Awesome Decision Making Reinforcement Learning - Awesome Decision Making Reinforcement Learning

Awesome Decision Making Reinforcement Learning

Código Fuente de IA

1.0.0

Descargar

Impresionante toma de decisiones/aprendizaje por refuerzo

Esta es una lista impresa de materiales de investigación de última generación relacionados con la toma de decisiones y la planificación de movimientos. Ojalá pudiera ser útil tanto para la academia como para la industria. (Aún actualizando)

Mantenedores : Jiachen Li (Universidad de California, Berkeley)

Correo electrónico : [email protected]

No dude en enviarnos una solicitud para agregar nuevos recursos o enviarnos correos electrónicos para preguntas, debates y colaboraciones.

Nota : Aquí también hay una colección de materiales de investigación para la predicción de trayectorias (comportamiento) conscientes de la interacción.

RL, IRL y GAIL

Aprendizaje por refuerzo inverso profundo de máxima entropía, 2015, [artículo]
Aprendizaje guiado de costos: control óptimo inverso profundo mediante optimización de políticas, ICML 2016, [artículo]
Aprendizaje generativo por imitación adversarial, NIPS 2016, [artículo]
Una conexión entre redes generativas adversarias, aprendizaje por refuerzo inverso y modelos basados en energía, NIPS 2016, [artículo]
InfoGAIL: Aprendizaje de imitación interpretable a partir de demostraciones visuales, NIPS 2017, [artículo] [código]
Aprendizaje por autoimitación, ICML 2018, [artículo] [código]
Aprendizaje por refuerzo jerárquico eficiente en datos, NIPS 2018, [artículo]
Aprendizaje de recompensas sólidas con aprendizaje por refuerzo inverso adversario, ICLR 2018, [artículo]
Aprendizaje por imitación adversario generativo de agentes múltiples, ICLR 2018, [artículo]
Aprendizaje por refuerzo inverso adversario de múltiples agentes, ICML 2019, [artículo]

Conducción autónoma

Una encuesta sobre aplicaciones de aprendizaje profundo para el control de vehículos autónomos, IEEE Transaction on ITS 2019, [artículo]
Imitación del comportamiento del conductor con redes generativas adversarias, IV 2017, [artículo] [código]
Aprendizaje de imitación de múltiples agentes para simulación de conducción, IROS 2018, [artículo] [código]
Simulación de propiedades emergentes del comportamiento de conducción humana mediante el aprendizaje de imitación aumentado con recompensas de múltiples agentes, ICRA 2019, [artículo] [código]
Aprendiendo de la demostración en la naturaleza, ICRA 2018, [artículo]
Conducción autónoma conectada con múltiples agentes mediante aprendizaje por refuerzo profundo, NeurIPS 2019, [artículo] [código]
Aprendizaje por refuerzo profundo sin modelos para la conducción autónoma urbana, ITSC 2019, [artículo]
Conducción de un extremo a otro mediante aprendizaje por imitación condicional, ICRA 2018, [artículo]
CIRL: Aprendizaje por refuerzo imitativo controlable para la conducción autónoma basada en la visión, ECCV 2018, [artículo] [código]
Un enfoque basado en el aprendizaje por refuerzo para maniobras de cambio de carril automatizado, IV 2018, [artículo]
Aprendizaje por refuerzo inverso adversario para la toma de decisiones en la conducción autónoma, ICRA 2020, [artículo]
Aprendizaje por refuerzo jerárquico profundo para la conducción autónoma con distintos comportamientos, IV 2018, [artículo]
Una arquitectura jerárquica para la toma de decisiones secuencial en la conducción autónoma mediante el aprendizaje por refuerzo profundo, ICML 2019, [artículo]
Planificador de movimiento neuronal interpretable de extremo a extremo, CVPR 2019, [artículo]
Planificación de trayectoria y comportamiento que se pueden aprender de forma conjunta para vehículos autónomos, IROS 2019, [artículo]
Entrada dinámica para el aprendizaje por refuerzo profundo en la conducción autónoma, IROS 2019, [artículo]
Aprender a navegar en ciudades sin mapa, NIPS 2018, [artículo]
Pruebas escalables de vehículos autónomos de extremo a extremo mediante simulación de eventos raros, NIPS 2018, [artículo]
Hacia el aprendizaje de negociaciones entre agentes múltiples a través del juego autónomo, ICCV 2019, [artículo]