Awesome Decision Making Reinforcement Learning Télécharger - Awesome Decision Making Reinforcement Learning Téléchargement du code source

Awesome Decision Making Reinforcement Learning

Code Source AI

1.0.0

Télécharger

Prise de décision impressionnante / apprentissage par renforcement

Il s'agit d'une liste papier de documents de recherche de pointe liés à la prise de décision et à la planification des mouvements. J'aimerais que cela puisse être utile à la fois au monde universitaire et à l'industrie. (Toujours à jour)

Responsables : Jiachen Li (Université de Californie, Berkeley)

Courriel : [email protected]

N'hésitez pas à tirer une demande pour ajouter de nouvelles ressources ou à nous envoyer des e-mails pour des questions, des discussions et des collaborations.

Remarque : Voici également une collection de matériel de recherche pour la prédiction de trajectoire (comportement) sensible aux interactions.

RL & IRL & GAIL

Apprentissage par renforcement inverse profond à entropie maximale, 2015, [article]
Apprentissage guidé des coûts : contrôle optimal inverse profond via l'optimisation des politiques, ICML 2016, [article]
Apprentissage génératif par imitation contradictoire, NIPS 2016, [article]
Une connexion entre les réseaux contradictoires génératifs, l'apprentissage par renforcement inverse et les modèles basés sur l'énergie, NIPS 2016, [article]
InfoGAIL : Apprentissage par imitation interprétable à partir de démonstrations visuelles, NIPS 2017, [article] [code]
Apprentissage par auto-imitation, ICML 2018, [article] [code]
Apprentissage par renforcement hiérarchique efficace sur les données, NIPS 2018, [article]
Apprendre des récompenses robustes avec l'apprentissage par renforcement inverse contradictoire, ICLR 2018, [article]
Apprentissage par imitation contradictoire générative multi-agents, ICLR 2018, [article]
Apprentissage par renforcement inverse contradictoire multi-agents, ICML 2019, [article]

Conduite autonome

Une enquête sur les applications d'apprentissage profond pour le contrôle des véhicules autonomes, Transaction IEEE sur ITS 2019, [article]
Imitating Driver Behaviour with Generative Adversarial Networks, IV 2017, [article] [code]
Apprentissage par imitation multi-agents pour la simulation de conduite, IROS 2018, [article] [code]
Simulation des propriétés émergentes du comportement de conduite humaine à l'aide de l'apprentissage par imitation augmentée par récompense multi-agents, ICRA 2019, [article] [code]
Apprendre de la démonstration dans la nature, ICRA 2018, [article]
Conduite autonome connectée multi-agents utilisant l'apprentissage par renforcement profond, NeurIPS 2019, [article] [code]
Apprentissage par renforcement profond sans modèle pour la conduite autonome urbaine, ITSC 2019, [article]
Conduite de bout en bout via l'apprentissage par imitation conditionnelle, ICRA 2018, [article]
CIRL : Apprentissage par renforcement imitatif contrôlable pour la conduite autonome basée sur la vision, ECCV 2018, [papier] [code]
Une approche basée sur l'apprentissage par renforcement pour les manœuvres automatisées de changement de voie, IV 2018, [article]
Apprentissage par renforcement inverse contradictoire pour la prise de décision en conduite autonome, ICRA 2020, [article]
Apprentissage par renforcement hiérarchique profond pour la conduite autonome avec des comportements distincts, IV 2018, [article]
Une architecture hiérarchique pour la prise de décision séquentielle en conduite autonome à l'aide de l'apprentissage par renforcement profond, ICML 2019, [article]
Planificateur de mouvements neuronaux interprétables de bout en bout, CVPR 2019, [article]
Planification de comportements et de trajectoires pouvant être appris conjointement pour les véhicules autonomes, IROS 2019, [article]
Entrée dynamique pour l'apprentissage par renforcement profond dans la conduite autonome, IROS 2019, [article]
Apprendre à naviguer dans les villes sans carte, NIPS 2018, [article]
Tests de véhicules autonomes évolutifs de bout en bout via la simulation d'événements rares, NIPS 2018, [article]
Vers l'apprentissage des négociations multi-agents via le jeu autonome, ICCV 2019, [article]