AnimalAI Olympics
v2.0.0 release
Mise à jour: Animal-AI V3 est maintenant sur un dépôt séparé. Le référentiel ci-dessous contient la base de code pour la concurrence qui a été exécutée en 2019. Il n'est pas sous maintenance active, mais les problèmes sont toujours surveillés dans une certaine mesure.
 |  |
|---|---|
 |  |
Le lit d'essai d'animal-AI présente l'étude de la cognition animale dans le monde de l'IA. Il fournit un environnement pour tester les agents sur les tâches tirées ou inspirées de la littérature sur la cognition animale. Des décennies de recherche dans ce domaine nous permettent de nous entraîner et de tester les compétences cognitives dans les agents de l'intelligence artificielle.
Ce repo contient l'environnement de formation, une bibliothèque de formation ainsi que 900 tâches pour les agents de test et / ou de formation. Les expériences sont divisées en catégories destinées à refléter diverses compétences cognitives. Les détails peuvent être trouvés sur le site Web.
Nous avons organisé une compétition en utilisant cet environnement et les tests associés, plus de détails sur les résultats peuvent être trouvés ici
L'environnement est construit à l'aide d'agents Unity ML et contient un agent enfermé dans une arène de taille fixe. Les objets peuvent apparaître dans cette arène, y compris les récompenses positives et négatives (sphères vertes, jaunes et rouges) que l'agent doit obtenir (ou éviter). Tous les tests sont fabriqués à partir de combinaisons d'objets dans l'environnement d'entraînement.
Vous voulez juste commencer? Alors:
examples le dossier exécute pip install -r requirements.txtexamples , commencez jupyter notebook et passez par l'environnement et les cahiers de formation!Pour plus d'exemples à exécuter, consultez le dossier Exemples.
Téléchargez d'abord l'environnement de votre système:
| OS | Lien environnemental |
|---|---|
| Fenêtre | Télécharger v2.0.1 |
| Mac | Télécharger v2.0.1 |
| Linux | Télécharger v2.0.1 |
| Linux | Télécharger v2.0.2 |
V2.0.2 est uniquement disponible pour Linux et résout un problème avec la vitesse de l'agent qui rend quelques environnements impossibles dans la version 2.0.1. Il n'est pas prévu de maintenir ou de mettre à jour d'autres versions. Le développement actuel est vers la V3 pour libérer la mi-2021.
Décompressez l' intégralité du contenu de l'archive dans le dossier examples/env . Sur Linux, vous devrez peut-être rendre le fichier exécutable en exécutant chmod +x env/AnimalAI.x86_64 .
Les packages Animal-AI fonctionnent sur Linux, Mac et Windows et nécessite Python 3.
Le package principal est une API pour l'interfaçage avec l'environnement d'unité. Il contient à la fois un environnement de gym ainsi qu'une extension des environnements ML-Agents d'Unity. Vous pouvez l'installer via PIP:
pip install animalai
Ou vous pouvez l'installer à partir de la source en exécutant pip install -e animalai à partir du dossier Repo
Nous fournissons également un package qui peut être utilisé comme point de départ pour la formation, et qui est nécessaire pour exécuter la plupart des exemples de scripts trouvés dans les examples/ dossier. Il contient une extension de l'environnement de formation des Agents ML qui repose sur le PPO d'Openai et le sac de Bair. Vous pouvez également installer ce package à l'aide de PIP:
pip install animalai-train
Ou vous pouvez l'installer à partir de Source en exécutant pip install -e animalai_train à partir du dossier Repo
Les fichiers source Unity pour l'environnement se trouvent sur notre fourche ML-Agents.
Si vous lancez l'environnement directement à partir de l'exécutable ou via load_config_and_play,py qu'il sera lancé en mode lecteur. Ici, vous pouvez contrôler l'agent avec les suivants:
| Clé du clavier | Action |
|---|---|
| W | Déplacer l'agent vers l'avant |
| S | déplacer l'agent à l'envers |
| UN | Tourner l'agent à gauche |
| D | Tourner l'agent à droite |
| C | Commutation de la caméra |
| R | Réinitialiser l'environnement |
Si vous utilisez l'environnement Animal-AI dans votre travail, vous pouvez citer le papier de l'environnement:
Beyret, B., Hernández-Orallo, J., Cheke, L., Halina, M., Shanahan, M., Crosby, M. The Animal-AI Environment: Training and Testing Animal Animal Artificial Cognition, Arxiv Preprint
@inproceedings{Beyret2019TheAE,
title={The Animal-AI Environment: Training and Testing Animal-Like Artificial Cognition},
author={Benjamin Beyret and Jos'e Hern'andez-Orallo and Lucy Cheke and Marta Halina and Murray Shanahan and Matthew Crosby},
year={2019}
}
Le papier avec tous les détails de la batterie de test sera libéré une fois la compétition terminée.
Les Jeux olympiques d'Animal-AI ont été construits à l'aide de la boîte à outils ML-Agents d'Unity.
La bibliothèque Python située à Animalai étend ML-Agents V0.15.0. Principalement, nous ajoutons la possibilité de modifier la configuration des arènes entre les épisodes.
Juliani, A., Berges, V., Vckay, E., Gao, Y., Henry, H., Mattar, M., Lange, D. (2018). Unity: une plate-forme générale pour les agents intelligents. ARXIV Préprint Arxiv: 1809.02627
Le concours a été aimablement organisé sur Evalai, une application Web open source pour les compétitions d'IA. Un merci spécial à Rishabh Jain pour son aide dans la mise en place. Nous viserons à rouvrir les soumissions avec de nouveaux fichiers cachés afin de maintenir une forme de concurrence.
Deshraj Yadav, Rishabh Jain, Harsh Agrawal, Prithvijit Chattopadhyay, Taranjeet Singh, Akash Jain, Shiv Baran Singh, Stefan Lee et Dhruv Batra (2019) EVALAI: Vers de meilleurs systèmes d'évaluation pour les agents de l'IA
v2.0.1 (Env seulement):
v2.0.0:
Pour les versions antérieures, voir ici
