multi agent neurosym transformers

Transformadores neurosimbólicos para comunicação multiagente

Dependências

Pitão 3

Ginásio OpenAI 0.11.0

PyTorch

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

Ilustração em vídeo para as diversas tarefas:

Encontre um pequeno vídeo em tasks_video.mp4 para entender melhor as tarefas usadas neste artigo.

Modelos pré-treinados:

Você pode encontrar os modelos pré-treinados para todas as tarefas na pasta principal/resultados/.

tarefa random_cross -> main/resultados/model_random_cross/

tarefa random_grid -> main/resultados/model_random_grid/

tarefa unlabeled_goals -> main/resultados/model_unlabeled/

two_groups_cross na Figura 1 -> main/results/model_2groups_cross/

Gerando gráficos:

  # 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

Os cmds acima devem criar gráficos em main/results/RESULT_DIR/plots/

Simulando modelos pré-treinados:

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

RESULT_DIR pode ser model_random_cross, model_random_grid, model_unlabeled, model_2groups_cross.

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

Observe que prog-retrained é a versão correspondente à nossa abordagem completa.

Modelos de treinamento do zero

Para treinar modelos do zero, execute os scripts a seguir. (Observe que esta parte leva várias horas e requer GPUs)

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