模仿学习赛车 这个精益的存储库具有从头开始训练和评估赛车Tensorflow模型所需的所有工具！ 实际上，仅需5集（不到5分钟）即可生成足够的数据以使模型能够胜任！ 注意：上面显示的游戏玩法是在5集训练模型后得出的。 使用更多的训练数据，它可以表现得更好！ 此外，它还具有像素化功能，因此您可以看到模型在播放时所看到的效果（96 x 96）。

自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界（例如牛津，麻省理工学院）和工业界（例如Google，特斯拉）的极大兴趣。 但是，由于普遍的知识，我们发现直接实现全自动驾驶（SAE 5级）非常困难。 为了解决这个问题，深度模仿学习是一种有前途的解决方案，可以从人类的演示中学习知识。 在这个项目中，我们研究了如何使用深度模仿学习来实现车辆动态控制（例如转向角，速度）。 我们使用了Udacity（ ）提供的数据集和模拟器以及现实世界中的comma.ai数据集。

随着时空跟踪和传感数据的不断增长，现在人们可以在大范围内分析和建模细粒度行为。例如，收集每一场NBA篮球比赛的跟踪数据，包括球员、裁判和以25hz频率跟踪的球，以及带注释的比赛事件，如传球、投篮和犯规。

模仿学习 该存储库提供了论文的Tensorflow实现。 您可以找到经过预训练的网络。 当前的存储库添加了Tensorflow培训代码。 本文中的设置只有几处更改： 我们训练的步数更少（我们执行190k步，本文执行450k步），但这是可配置的。 控制器的分支遵循训练数据的顺序。 我们对输出采用不同的权重超参数（转向，汽油，刹车，速度），因为本文中建议的超参数对我们不起作用。 设置 该存储库使用docker映像。 为了使用它，请安装 。 要生成图像，请使用： docker build --build-arg base_image=tensorflow/tensorflow:1.12.0-gpu -t imit-learn . 如果仅需要CPU映像，请base_image=tensorflow/tensorflow:1.12.0-gpu 。 到目前为止，我们仅使用tensorf

模仿学习就是希望机器能够通过观察模仿专家的行为来进行学习。OpenAI，DeepMind，Google Brain目前都在向这方面发展。

仿制学习用纸清单 RL中的模仿学习论文集，并有简要介绍。 该馆藏涉及“ ，还包含自我收集的论文。 确切地说，“模仿学习”是向专家演示（LfD）学习的普遍问题。 从这种描述中可以得出两个名称，由于历史原因，它们分别是“模仿学习”和“学徒学习”。 通常，学徒制学习是在“通过逆向强化学习（IRL）进行学徒制学习”的上下文中提及的，它可以恢复奖励功能并从中学习策略，而模仿学习始于直接克隆行为的行为，即直接学习该策略（ 和Morgan- Kaufmann，NIPS 1989）。 然而，随着相关研究的发展，“模仿学习”一直被用来代表一般的LfD问题设置，这也是我们的观点。 通常，模仿学习的不同设置会衍生到不同的特定领域。 一种普遍的设置是，一个人只能从不互动的专家处获得（1）对预收集的轨迹（（s，a）对）（2）他可以与环境进行交互（使用模拟器）（3）而没有奖励信号。 在这里，我们列出了一些其他设置

深度模仿学习的语用观察 模仿学习算法（使用PPO ）： 美国广播公司 AIRL 公元前 钻头 童话 盖尔 GMMIL nn-PUGAIL PWIL 红色 python main.py --imitation [AIRL|BC|DRIL|FAIRL|GAIL|GMMIL|PUGAIL|RED] 选项包括： 仅状态模仿学习： --state-only 吸收状态指示器 --absorbing R1梯度正则化 ：-- --r1-reg-coeff 1 （默认值） 结果 PPO 火车 测试 航空 火车 测试 公元前 火车 测试 钻头 火车 测试 公平 火车 测试 盖尔 火车 测试 吉米 火车 测试 nn-PUGAIL 火车 测试 红色的 火车 测试 致谢 @ikostrikov （ https://github.com/ikostrikov

模仿学习基准实施 该项目旨在提供模仿学习算法的清晰实现。 目前，我们已经实现了行为克隆， （带有综合示例），和。 安装： 安装PyPI版本 pip install imitation 安装最新的提交 git clone http://github.com/HumanCompatibleAI/imitation cd imitation pip install -e . 可选的Mujoco依赖性： 请按照说明在安装 。 CLI快速入门： 我们提供了几个CLI脚本作为imitation实现的算法的前端。 这些使用进行配置和复制。 从examples / quickstart.sh中： # Train PPO agent on cartpole and collect expert demonstrations. Tensorboard logs saved in `quickstar

模仿学习的目的是从人类专家的演示或人工创造的代理中提取知识，以复制他们的行为。它已经成功在视频游戏、自动驾驶、机器人模拟和物体操纵等领域得到了证明。然而，这种复制过程可能会有问题，比如性能高度依赖于演示质量，并且大多数经过训练的代理在特定于任务的环境中只能表现良好。