Download Awesome Decision Making Reinforcement Learning - Download Awesome Decision Making Reinforcement Learning

Awesome Decision Making Reinforcement Learning

Código-Fonte de IA

1.0.0

Baixar

Impressionante tomada de decisões/aprendizado por reforço

Esta é uma lista de materiais de pesquisa de última geração relacionados à tomada de decisões e planejamento de movimentos. Gostaria que pudesse ser útil tanto para a academia quanto para a indústria. (Ainda atualizando)

Mantenedores : Jiachen Li (Universidade da Califórnia, Berkeley)

E-mail : [email protected]

Sinta-se à vontade para solicitar a adição de novos recursos ou enviar-nos e-mails para perguntas, discussões e colaborações.

Nota : Aqui está também uma coleção de materiais de pesquisa para previsão de trajetória (comportamento) consciente da interação.

RL & IRL & GAIL

Aprendizado de reforço inverso profundo de entropia máxima, 2015, [artigo]
Aprendizado de custos guiado: controle ideal inverso profundo via otimização de políticas, ICML 2016, [artigo]
Aprendizagem de Imitação Adversarial Generativa, NIPS 2016, [artigo]
Uma conexão entre redes adversárias generativas, aprendizagem por reforço inverso e modelos baseados em energia, NIPS 2016, [artigo]
InfoGAIL: Aprendizagem de imitação interpretável a partir de demonstrações visuais, NIPS 2017, [artigo] [código]
Aprendizagem de auto-imitação, ICML 2018, [artigo] [código]
Aprendizagem por reforço hierárquico com eficiência de dados, NIPS 2018, [artigo]
Aprendendo recompensas robustas com aprendizagem por reforço inverso adversário, ICLR 2018, [artigo]
Aprendizagem de imitação adversária generativa multiagente, ICLR 2018, [artigo]
Aprendizado de reforço inverso adversário multiagente, ICML 2019, [artigo]

Condução Autônoma

Uma pesquisa de aplicações de aprendizagem profunda para controle de veículos autônomos, IEEE Transaction on ITS 2019, [artigo]
Imitando o comportamento do motorista com redes adversárias generativas, IV 2017, [artigo] [código]
Aprendizado de imitação multiagente para simulação de direção, IROS 2018, [artigo] [código]
Simulando propriedades emergentes do comportamento de direção humano usando aprendizagem de imitação aumentada de recompensa multiagente, ICRA 2019, [artigo] [código]
Aprendendo com Demonstração na Natureza, ICRA 2018, [artigo]
Condução autônoma conectada multiagente usando Deep Reinforcement Learning, NeurIPS 2019, [artigo] [código]
Aprendizado de reforço profundo sem modelo para direção autônoma urbana, ITSC 2019, [artigo]
Condução de ponta a ponta por meio de aprendizagem por imitação condicional, ICRA 2018, [artigo]
CIRL: Aprendizagem por reforço imitativo controlável para direção autônoma baseada na visão, ECCV 2018, [artigo] [código]
Uma abordagem baseada em aprendizagem por reforço para manobras automatizadas de mudança de faixa, IV 2018, [artigo]
Aprendizagem por reforço inverso adversário para tomada de decisão em direção autônoma, ICRA 2020, [artigo]
Aprendizagem por reforço hierárquico profundo para direção autônoma com comportamentos distintos, IV 2018, [artigo]
Uma arquitetura hierárquica para tomada de decisão sequencial em direção autônoma usando Deep Reinforcement Learning, ICML 2019, [artigo]
Planejador de movimento neural interpretável de ponta a ponta, CVPR 2019, [artigo]
Comportamento que pode ser aprendido em conjunto e planejamento de trajetória para veículos autônomos, IROS 2019, [artigo]
Entrada dinâmica para aprendizagem por reforço profundo em direção autônoma, IROS 2019, [artigo]
Aprendendo a navegar em cidades sem mapa, NIPS 2018, [artigo]
Teste escalonável de veículos autônomos de ponta a ponta por meio de simulação de eventos raros, NIPS 2018, [artigo]
Rumo ao aprendizado de negociações multiagentes via self-play, ICCV 2019, [artigo]