Vor ein paar Wochen habe ich DreamerV2 entdeckt. Es scheint eine gute Wahl zu sein, besonders wenn die Trainingszeit von Reinforcement-Learning-Agenten ein entscheidender Faktor in der durchgeführten Forschung ist. In diesen Tagen versuche ich, einige Reinforcement Learning Agenten im CARLA-Simulator mit DreamerV2 zu implementieren. Im Moment habe ich jedoch noch einige „errors“, aber ich hoffe, dass ich sie bald überwinden kann.
Wenn Sie mehr über DreamerV2 erfahren möchten, schauen Sie sich diese Ressourcen an, die kostenlos online verfügbar sind:
- https://github.com/danijar/dreamerv2
- https://danijar.com/project/dreamerv2/
- OpenReview Kommentare zum DreamerV2
- https://ai.googleblog.com/2021/02/mastering-atari-with-discrete-world.html
- https://www.marktechpost.com/2021/02/23/google-ai-deepmind-and-the-university-of-toronto-introduce-dreamerv2-the-first-reinforcement-learning-rl-agent-that-outperforms-humans-on-the-atari-benchmark/
- https://analyticsindiamag.com/now-deepminds-new-ai-agent-outperforms-humans/
- Mastering Atari with Discrete World Models: DreamerV2
PS. Erst vor weniger als 2 Monaten wurde DayDreamer paper veröffentlicht und scheint noch leistungsfähiger zu sein als DreamerV2. Ich werde es überprüfen, sobald der Code veröffentlicht wird.
Neueste Kommentare