multi agent neurosym transformers

Transformateurs neurosymboliques pour la communication multi-agents

Dépendances

Python3

OpenAI Gym 0.11.0

PyTorch

Bibliothèque de graphiques approfondie (https://www.dgl.ai/)

Illustration vidéo des différentes tâches :

Veuillez trouver une courte vidéo sur task_video.mp4 pour mieux comprendre les tâches utilisées dans cet article.

Modèles pré-entraînés :

Vous pouvez trouver les modèles pré-entraînés pour toutes les tâches dans le dossier main/results/.

tâche random_cross -> main/results/model_random_cross/

tâche random_grid -> main/results/model_random_grid/

tâche unlabeled_goals -> main/results/model_unlabeled/

two_groups_cross dans la figure 1 -> main/results/model_2groups_cross/

Générer des tracés :

  # 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

Les cmd ci-dessus devraient créer des tracés dans main/results/RESULT_DIR/plots/

Simulation de modèles pré-entraînés :

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

RESULT_DIR peut être model_random_cross, model_random_grid, model_unlabeled, model_2groups_cross.

BASELINE peut être tf-full, hard, dist, prog, prog-retrained, dt, dt-retrained, det, det-retrained.

Notez que prog-retrained est la version correspondant à notre approche complète.

Modèles de formation à partir de zéro

Pour entraîner des modèles à partir de zéro, exécutez les scripts suivants. (Notez que cette partie prend plusieurs heures et nécessite des GPU)

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