TeachMyAgent

TeachMyAgent是一个用于自动课程学习(ACL)算法的基准，利用程序化任务生成，包括一个程序化的Parkour环境，该环境结合了大多数ACL挑战，非常适合进行全局性能评估。

TeachMyAgent is a benchmark for automatic curriculum learning (ACL) algorithms that employs procedural task generation. It features a procedural Parkour environment that incorporates most ACL challenges, making it highly suitable for global performance evaluation.

原始信息汇总

TeachMyAgent 数据集概述

TeachMyAgent 是一个用于自动课程学习方法的测试平台。该平台利用 Box2D 程序生成的环境来评估教师算法在连续任务空间中的性能。

数据集内容

• 两个参数化的 Box2D 环境：Stumps Tracks 和 Parkour
• 多种体现形式：具有不同运动技能的实体（例如，双足步行者、蜘蛛、攀爬的黑猩猩、鱼）
• 两个深度强化学习学生：SAC 和 PPO
• 多个 ACL 算法：ADR、ALP-GMM、Covar-GMM、SPDL、GoalGAN、Setter-Solver、RIAC
• 两个基准实验：特定技能比较和全局性能评估
• 三个用于系统分析的笔记本：使用统计测试和可视化工具（图表、视频等）进行结果分析，允许重现我们的图表

安装指南

1. 获取仓库 bash git clone https://github.com/flowersteam/TeachMyAgent cd TeachMyAgent/

2. 使用 Conda 安装（使用 Python >= 3.6） bash conda create --name teachMyAgent python=3.6 conda activate teachMyAgent pip install -e .

   注意：对于 Windows 用户，在 pip install -e . 命令中添加 -f https://download.pytorch.org/whl/torch_stable.html。

导入基准结果

为了将方法与我们在论文中评估的方法进行基准测试，必须下载我们的结果：

1. 进入 notebooks 文件夹

2. 使 download_baselines.sh 脚本可执行： bash chmod +x download_baselines.sh

3. 下载结果： bash ./download_baselines.sh

   警告：这将下载一个大约 4.5GB 的 zip 文件。然后，我们的脚本将在 TeachMyAgent/data 中提取 zip 文件。提取后，结果将大约占用 15GB。

使用方法

有关如何使用我们的平台来基准测试 ACL 方法的详细信息，请参阅我们的文档。

引用

如果您在工作中使用 TeachMyAgent，请引用配套的论文：

bibtex @inproceedings{romac2021teachmyagent, author = {Cl{{e}}ment Romac and R{{e}}my Portelas and Katja Hofmann and Pierre{-}Yves Oudeyer}, title = {TeachMyAgent: a Benchmark for Automatic Curriculum Learning in Deep {RL}}, booktitle = {Proceedings of the 38th International Conference on Machine Learning, {ICML} 2021, 18-24 July 2021, Virtual Event}, series = {Proceedings of Machine Learning Research}, volume = {139}, pages = {9052--9063}, publisher = {{PMLR}}, year = {2021} }