multi agent neurosym transformers

用于多智能体通信的神经符号变压器

依赖关系

蟒蛇3

OpenAI健身房0.11.0

火炬

深度图库（https://www.dgl.ai/）

各种任务的视频插图：

请在tasks_video.mp4 中找到一个简短的视频，以更好地了解本文中使用的任务。

预训练模型：

您可以在 main/results/ 文件夹中找到所有任务的预训练模型。

random_cross 任务 -> main/results/model_random_cross/

random_grid 任务 -> main/results/model_random_grid/

unlabeled_goals 任务 -> main/results/model_unlabeled/

图 1 中的two_groups_cross -> main/results/model_2groups_cross/

生成图：

  # 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

上述命令应在 main/results/RESULT_DIR/plots/ 处创建绘图

模拟预训练模型：

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

RESULT_DIR 可以是 model_random_cross、model_random_grid、model_unlabeled、model_2groups_cross。

BASELINE 可以是 tf-full、hard、dist、prog、prog-retrained、dt、dt-retrained、det、det-retrained。

请注意，prog-retrained 是与我们的完整方法相对应的版本。

从头开始训练模型

要从头开始训练模型，请运行以下脚本。 （请注意，这部分需要几个小时并且需要 GPU）

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