概述

用于具体人工智能研究的开源框架

AllenAct公司是一个模块化且灵活的学习框架，其设计重点是具体化AI研究的独特要求。它为越来越多的具体化环境、任务和算法提供一流的支持，提供最先进模型的复制品，包括大量文档、教程、启动代码和预培训模型。

AllenAct由艾伦人工智能研究所（AI2）AI2是一家非盈利机构，其使命是通过高影响力的AI研究和工程为人类做出贡献。

快速链接#

功能和亮点#

支持多种环境：支持iTHOR公司,机器人THOR和栖息地具体化环境以及网格世界，包括迷你电网.
任务摘要：AllenAct将任务和环境解耦，使研究人员能够在同一环境中轻松执行各种任务。
算法：支持多种on-policy算法，包括颇,DD-PPO公司,A2C型、模仿学习和戴格尔以及离线培训，如离线IL。
顺序算法：试验不同序列的训练程序是微不足道的，这通常是成功策略的关键。
同时损失：在培训模型中轻松组合各种损失（例如，在优化PPO损失的同时使用外部自我监督损失）。
多代理支持：支持多代理算法和任务。
可视化效果：开箱即用的支持，可以轻松可视化代理的第一人称和第三人称视图，以及集成到Tensorboard中的中间模型张量。
预训练模型：许多标准具体化AI任务的代码和模型。
教程：启动代码和广泛的教程，帮助提升到具体化AI。
一流的PyTorch支持：为数不多的针对PyTorch的RL框架之一。
任意动作空间：支持离散和连续动作。

环境	任务	算法
iTHOR公司,机器人THOR,栖息地,迷你电网,OpenAI健身房	指针导航,对象导航,MiniGrid任务,健身房Box2D任务	A2C型,颇,DD-PPO公司,戴格尔、非政策模仿

贡献#

我们欢迎广大社区的贡献。如果您想做出这样的贡献，我们建议您首先提交一份问题描述您提出的改进。这样做可以确保在您花费大量时间讨论建议之前，我们可以验证您的建议。应该通过来自存储库分支的pull请求进行改进和错误修复，地址为https://github.com/allenai/allenact.

此存储库中的所有代码都要遵循格式、文档和类型注释准则。有关更多详细信息，请参阅我们的缴款指南.

致谢#

这项工作建立在pytorch-a2c-ppo-acktr喷枪伊利亚·科斯特里科夫图书馆，并使用FAIR的一些数据结构居住实验室。我们要感谢达斯汀·施温克（Dustin Schwenk）为公开发布该框架提供的帮助。

许可证#

AllenAct是麻省理工学院授权的，如许可证文件。

团队#

AllenAct是一个开源项目，由艾伦人工智能研究所（AI2）PRIOR研究小组的成员创建。

引用#

如果你使用这项工作，请引用我们的纸张:

@文章{艾伦卡特,
  作者 = {Luca Weihs、Jordi Salvador、Klemen Kotar、Unnat Jain、Kuo-Hao Zeng、Roozbeh Mottaghi和Aniruddha Kembhavi},
  标题 = {AllenAct:具体人工智能研究的框架},
  年 = {2020},
  杂志 = {arXiv预打印arXiv:2008.12760},
}