视觉推送和抓取工具箱 视觉推送和抓取（VPG）是一种训练机器人代理以学习如何计划互补的推送和抓取操作以进行操纵（例如，用于非结构化的放置和放置应用程序）的方法。 VPG直接在视觉观察（RGB-D图像）上运行，从试错中学习，快速训练，并推广到新的对象和场景。 该存储库提供PyTorch代码，用于在UR5机械臂的模拟和实际设置中通过深度强化学习来训练和测试VPG策略。 这是本文的参考实现： 通过自我监督的深度强化学习来学习推动和抓握之间的协同作用 ， ，（ ，（ ，（ ，（ 2018年IEEE / RSJ国际智能机器人和系统国际会议（IROS） 熟练的机械手操作得益于非灵活（例如推

使用PyTorch和Unity ML-Agent进行深度Q网络（DQN）强化学习 一个简单的示例，说明如何使用PyTorch和ML-Agents环境实现基于矢量的DQN。 深度强化学习（DRL）中的Udacity Danaodgree项目 该存储库包含以下与DQN相关的文件： dqn_agent.py-> dqn-agent实现 replay_memory.py-> dqn-agent的重播缓冲区实现 model.py->用于基于向量的DQN学习的示例PyTorch神经网络 train.py->初始化并实施DQN代理的训练过程。 test.py->测试受过训练的DQN代理 根据Udacit

Atari Pong中的深度强化学习算法 概括 此应用程序的目标是找出深度Q学习（DQN）在OpenAI环境中对Pong的Atari 1600游戏有多准确和有效。 在DQN之上，测试了对相同算法的其他改进，包括多步DQN，Double DQN和Dueling DQN。 从下图可以看出，基本DQN仅需玩约110场游戏即可达到类似于人的准确性，而经过300场游戏即可达到极高的准确性。 此项目中考虑的DQN改进版本显示出效率和准确性方面的一些改进。 基本DQN：第1集与第216集 环保环境 Atari 1600仿真器由OpenAI制作，您可以在59种不同的游戏上测试您的强化算法。 使用深度强化学习，因为输入是当前帧（210x160x3）的RGB图片。 由于RGB图片的计算量太大，因此变成了灰度。 接下来是将图像缩减采样并将其剪切到可播放区域，该区域的大小为84x84x1。 灰度，下采样和裁剪

, you will not only learn deep reinforcement learning but also become an active contributor to the field. Deep reinforcement learning has the potential to revolutionize the world as we know it. By removing humans from decision-making processes, we set ourselves up to succeed. Humans can't match the stamina and work ethic of a computer;

对深度强化学习的基本操作的程序。

模仿学习 此仓库包含一些强化学习算法的简单PyTorch实现： 优势演员评论家（A2C） 的同步变体 近端策略优化（PPO）-最受欢迎的RL算法 ， ，， 策略上最大后验策略优化（V-MPO）-DeepMind在其上次工作中使用的算法 （尚不起作用...） 行为克隆（BC）-一种将某些专家行为克隆到新策略中的简单技术 每种算法都支持向量/图像/字典观察空间和离散/连续动作空间。 为什么回购被称为“模仿学习”？ 当我开始这个项目并进行回购时，我认为模仿学习将是我的主要重点，并且无模型方法仅在开始时用于培训“专家”。 但是，PPO实施（及其技巧）似乎比我预期的花费了更多时间。 结果，现在大多数代码与PPO有关，但是我仍然对模仿学习感兴趣，并打算添加一些相关算法。 当前功能 目前，此仓库包含一些无模型的基于策略的算法实现：A2C，PPO，V-MPO和BC。 每种算法都支持离散（分类，伯努利，GumbelSoftmax）和连续（贝塔，正态，tanh（正态））策略分布以及矢量或图像观察环境。 Beta和tanh（Normal）在我的实验中效果最好（在BipedalWalker和Huma

Deep Reinforcement Learning， Frontiers of Artificial Intelligence， 2019

Nature资源，有关深度强化学习论文，可免费下载，资源共享

京东商城数据科学实验室写的用深度强化学习对搜索结果排序的论文。