AnimalAI Olympics
v2.0.0 release
UPDATE: Animal-AI-V3 อยู่ในการซื้อสินค้าแยกต่างหาก ที่เก็บด้านล่างมี codebase สำหรับการแข่งขันที่วิ่งในปี 2019 มันไม่ได้อยู่ภายใต้การบำรุงรักษาที่ใช้งานอยู่ แต่ปัญหายังคงถูกตรวจสอบในระดับหนึ่ง
 |  |
|---|---|
 |  |
Testbed Animal-AI แนะนำการศึกษาความรู้ความเข้าใจของสัตว์สู่โลกของ AI มันให้สภาพแวดล้อมสำหรับการทดสอบตัวแทนเกี่ยวกับงานที่นำมาจากหรือได้รับแรงบันดาลใจจากวรรณคดีการรับรู้ของสัตว์ ทศวรรษของการวิจัยในสาขานี้ช่วยให้เราสามารถฝึกอบรมและทดสอบทักษะความรู้ความเข้าใจในตัวแทนปัญญาประดิษฐ์
repo นี้มีสภาพแวดล้อมการฝึกอบรมห้องสมุดการฝึกอบรมและ 900 งานสำหรับการทดสอบและ/หรือตัวแทนการฝึกอบรม การทดลองแบ่งออกเป็นหมวดหมู่เพื่อสะท้อนทักษะการเรียนรู้ที่หลากหลาย รายละเอียดสามารถพบได้ในเว็บไซต์
เราดำเนินการแข่งขันโดยใช้สภาพแวดล้อมนี้และการทดสอบที่เกี่ยวข้องรายละเอียดเพิ่มเติมเกี่ยวกับผลลัพธ์สามารถพบได้ที่นี่
สภาพแวดล้อมถูกสร้างขึ้นโดยใช้ Unity ML-agents และมีตัวแทนที่อยู่ในเวทีขนาดคงที่ วัตถุสามารถวางไข่ในเวทีนี้รวมถึงรางวัลบวกและลบ (ทรงกลมสีเขียวสีเหลืองและสีแดง) ที่ตัวแทนจะต้องได้รับ (หรือหลีกเลี่ยง) การทดสอบทั้งหมดทำจากการรวมกันของวัตถุในสภาพแวดล้อมการฝึกอบรม
แค่อยากเริ่มต้น? แล้ว:
examples โฟลเดอร์ Run pip install -r requirements.txtexamples เริ่ม jupyter notebook และผ่านสภาพแวดล้อมและสมุดบันทึกการฝึกอบรม!สำหรับตัวอย่างเพิ่มเติมที่จะเรียกใช้ดูโฟลเดอร์ตัวอย่าง
ก่อนอื่น ดาวน์โหลดสภาพแวดล้อม สำหรับระบบของคุณ:
| ระบบปฏิบัติการ | ลิงค์สิ่งแวดล้อม |
|---|---|
| หน้าต่าง | ดาวน์โหลด v2.0.1 |
| Mac | ดาวน์โหลด v2.0.1 |
| ลินเวกซ์ | ดาวน์โหลด v2.0.1 |
| ลินเวกซ์ | ดาวน์โหลด v2.0.2 |
V2.0.2 ใช้ได้เฉพาะกับ Linux และแก้ไขปัญหาด้วยความเร็วเอเจนต์ที่ทำให้สภาพแวดล้อมไม่กี่เป็นไปไม่ได้ในรุ่น 2.0.1 ไม่มีแผนที่จะรักษาหรืออัปเดตเวอร์ชันอื่น การพัฒนาในปัจจุบันมุ่งสู่ V3 เพื่อปล่อยกลางปี 2021
คลายซิป เนื้อหาทั้งหมด ของเก็บถาวรไปยังโฟลเดอร์ examples/env บน Linux คุณอาจต้องทำให้ไฟล์ทำงานได้โดยเรียกใช้ chmod +x env/AnimalAI.x86_64
แพ็คเกจ Animal-AI ทำงานบน Linux, Mac และ Windows และต้องใช้ Python 3
แพ็คเกจหลักคือ API สำหรับการเชื่อมต่อกับสภาพแวดล้อมที่เป็นเอกภาพ มันมีทั้งสภาพแวดล้อมในโรงยิมรวมถึงการขยายสภาพแวดล้อม ML-Agents ของ Unity คุณสามารถติดตั้งผ่าน PIP:
pip install animalai
หรือคุณสามารถติดตั้งได้จากแหล่งที่มาโดยเรียกใช้ pip install -e animalai จากโฟลเดอร์ repo
นอกจากนี้เรายังมีแพ็คเกจที่สามารถใช้เป็นจุดเริ่มต้นสำหรับการฝึกอบรมและจำเป็นต้องใช้สคริปต์ตัวอย่างส่วนใหญ่ที่พบใน examples/ โฟลเดอร์ มันมีส่วนขยายของสภาพแวดล้อมการฝึกอบรมของ ML-Agents ซึ่งอาศัย PPO ของ OpenAi และ SAC ของ Bair นอกจากนี้คุณยังสามารถติดตั้งแพ็คเกจนี้ได้โดยใช้ PIP:
pip install animalai-train
หรือคุณสามารถติดตั้งได้จากแหล่งที่มาโดยเรียกใช้ pip install -e animalai_train จากโฟลเดอร์ repo
ไฟล์ต้นฉบับ Unity สำหรับสภาพแวดล้อมสามารถพบได้ใน ML-Agents Fork ของเรา
หากคุณเปิดสภาพแวดล้อมโดยตรงจากการปฏิบัติการหรือผ่าน load_config_and_play,py จะเปิดตัวในโหมดผู้เล่น ที่นี่คุณสามารถควบคุมตัวแทนด้วยสิ่งต่อไปนี้:
| คีย์บอร์ด | การกระทำ |
|---|---|
| W | ย้ายตัวแทนไปข้างหน้า |
| S | ย้ายตัวแทนไปข้างหลัง |
| อัน | เลี้ยวซ้ายตัวแทน |
| d | เลี้ยวขวาตัวแทน |
| C | สลับกล้อง |
| R | รีเซ็ตสภาพแวดล้อม |
หากคุณใช้สภาพแวดล้อมสัตว์-AI ในงานของคุณคุณสามารถอ้างถึงเอกสารสภาพแวดล้อม:
Beyret, B. , Hernández-Orallo, J. , Cheke, L. , Halina, M. , Shanahan, M. , Crosby, M. สภาพแวดล้อมของสัตว์-AI: การฝึกอบรมและการทดสอบความรู้ความเข้าใจเหมือนสัตว์
@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}
}
กระดาษที่มีรายละเอียดทั้งหมดของแบตเตอรี่ทดสอบจะถูกปล่อยออกมาหลังจากการแข่งขันเสร็จสิ้น
การแข่งขันกีฬาโอลิมปิก Animal-AI นั้นถูกสร้างขึ้นโดยใช้ชุดเครื่องมือ ML-Agents ของ Unity
ห้องสมุด Python ที่ตั้งอยู่ใน Animalai ขยาย ML-Agents v0.15.0 ส่วนใหญ่เราเพิ่มความเป็นไปได้ในการเปลี่ยนการกำหนดค่าของ arenas ระหว่างตอน
Juliani, A. , Berges, V. , Vckay, E. , Gao, Y. , Henry, H. , Mattar, M. , Lange, D. (2018) Unity: แพลตฟอร์มทั่วไปสำหรับตัวแทนอัจฉริยะ arxiv preprint arxiv: 1809.02627
การแข่งขันได้รับความกรุณาบน Evalai ซึ่งเป็นเว็บแอปพลิเคชันโอเพนซอร์สสำหรับการแข่งขัน AI ขอขอบคุณเป็นพิเศษสำหรับ Rishabh Jain สำหรับความช่วยเหลือในการตั้งค่านี้ เราจะตั้งเป้าหมายที่จะเปิดการส่งใหม่ด้วยไฟล์ที่ซ่อนอยู่ใหม่เพื่อให้การแข่งขันดำเนินต่อไป
Deshraj Yadav, Rishabh Jain, Agrawal ที่รุนแรง, Prithvijit Chattopadhyay, Taranjeet Singh, Akash Jain, Shiv Baran Singh, Stefan Lee และ Dhruv Batra (2019) Evalai: สู่ระบบการประเมินที่ดีกว่าสำหรับตัวแทน AI AI
v2.0.1 (env เท่านั้น):
v2.0.0:
สำหรับเวอร์ชันก่อนหน้าดูที่นี่
