multi agent neurosym transformers

Нейросимволические преобразователи для многоагентной связи

Зависимости

Питон 3

OpenAI Тренажерный зал 0.11.0

PyTorch

Глубокая библиотека графов (https://www.dgl.ai/)

Видеоиллюстрации к различным задачам:

Чтобы лучше понять задачи, используемые в этой статье, найдите короткое видео на сайте Tasks_video.mp4.

Предварительно обученные модели:

Вы можете найти предварительно обученные модели для всех задач в папке main/results/.

Задача random_cross -> main/results/model_random_cross/

Задача random_grid -> main/results/model_random_grid/

задача unlabeled_goals -> main/results/model_unlabeled/

two_groups_cross на рисунке 1 -> main/results/model_2groups_cross/

Создание графиков:

  # 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

Вышеупомянутые cmds должны создавать графики в файле main/results/RESULT_DIR/plots/.

Моделирование предварительно обученных моделей:

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

RESULT_DIR может быть model_random_cross, model_random_grid, model_unlabeled, model_2groups_cross.

BASELINE может быть tf-full, hard, dist, prog, prog-retrained, dt, dt-retrained, det, det-retrained.

Обратите внимание, что prog-retrained — это версия, соответствующая нашему полному подходу.

Обучение моделей с нуля

Чтобы обучить модели с нуля, запустите следующие сценарии. (Обратите внимание, что эта часть занимает несколько часов и требует графических процессоров)

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