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。

使用 BC 增强 GAIL 以实现样本高效的模仿学习 论文官方实现，在 PyTorch 中。 它建立在流行的 RL 算法存储库的 PyTorch 实现之上（下面的自述文件）。 安装 从requirements.txt文件安装所需的包。 使用pip install -e安装这个包。 再现结果 要重现 GAIL 的结果，请运行gail.sh脚本。 请务必先更改a2c_ppo_acktr/arguments.py的默认日志和模型路径。 要运行的一般脚本是 ./.sh 其中关键字method对应于以下实验/基线 方法 实验/基线 盖尔 盖尔 基线 BC 预训练 + GAIL 微调 密码 我们的方法 红帆 红帆 阿尔法穆乔科 \alpha效应的消融 布诺盖尔 消融对 BC + 未经训练的 GAIL 的影响 对以下 mujoco 环境使用以下steps

pytorch-a2c-ppo-acktr请使用本自述文件中的超级参数。 使用其他超级参数，可能无法正常工作（毕竟是RL）！ 这是Advantage Actor Critic（A2C）的PyTorch实现，同步pytorch-a2c-ppo-acktr请使用本自述文件中的超级参数。 使用其他超级参数，可能无法正常工作（毕竟是RL）！ 这是Advantage Actor Critic（A2C）的PyTorch实现，这是A3C近端策略优化PPO的同步确定性版本，用于使用Kronecker因子近似ACKTR生成的对抗模仿学习GAIL进行深度强化学习的可扩展信任区域方法另请参阅OpenAI帖子：A2C / ACKTR和PPO获得更多信息

行为克隆是模仿学习经典算法之一。本文主要介绍行为克隆的框架。

使用PyTorch生成对抗式模仿学习 该存储库用于使用PyTorch的生成对抗模拟学习（GAIL）的简单实现。 该实现基于原始的GAIL论文（）和我的Reinforcement Learning Collection存储库（）。 在此存储库中，诸如CartPole-v0 ， Pendulum-v0和BipedalWalker-v3类的环境。 您需要先安装它们，然后才能运行此存储库。 安装依赖项 安装Python 3。 将Python软件包安装在requirements.txt 。 如果将虚拟环境用于Python软件包管理，则可以使用以下bash命令安装所需的所有python软件包： $ pip install -r requirements.txt 安装其他软件包以运行OpenAI Gym环境。 这些取决于您机器的开发设置。 安装PyTorch。 PyTorch的版本应大于或等于

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

Imitation Learning（模仿学习）是强化学习的一个分支，因其能很好的解决强化学习中的多步决策（sequential decision）问题，近段时间得到了广泛关注。那么模仿学习近期的前沿进展如何呢，来自加州理工大学的Yisong Yue，昨天在芝加哥大学，做了名为《New Frontiers in Imitation Learning》讲座。新鲜出炉的PPT，一起来看看吧。