multi agent neurosym transformers

다중 에이전트 통신을 위한 신경 기호 변환기

종속성

파이썬 3

OpenAI 체육관 0.11.0

파이토치

딥 그래프 라이브러리 (https://www.dgl.ai/)

다양한 작업에 대한 비디오 일러스트레이션:

이 문서에 사용된 작업을 더 잘 이해하려면Tasks_video.mp4에서 짧은 비디오를 찾아보십시오.

사전 학습된 모델:

main/results/ 폴더에서 모든 작업에 대해 사전 훈련된 모델을 찾을 수 있습니다.

random_cross 작업 -> 메인/결과/model_random_cross/

random_grid 작업 -> 메인/결과/model_random_grid/

unlabeled_goals 작업 -> 메인/결과/model_unlabeled/

그림 1의 two_groups_cross -> main/results/model_2groups_cross/

플롯 생성:

  # 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

위의 cmd는 main/results/RESULT_DIR/plots/에 플롯을 생성해야 합니다.

사전 학습된 모델 시뮬레이션:

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

RESULT_DIR은 model_random_cross, model_random_grid, model_unlabeled, model_2groups_cross일 수 있습니다.

BASELINE은 tf-full, hard, dist, prog, prog-retrained, dt, dt-retrained, det, det-retrained일 수 있습니다.

prog-retrained는 우리의 전체 접근 방식에 해당하는 버전입니다.

처음부터 모델 학습

모델을 처음부터 학습하려면 다음 스크립트를 실행하세요. (이 부분은 몇 시간이 걸리고 GPU가 필요하다는 점을 참고하세요)

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