reinforcement-learning

Bibliothèque Python pour l'apprentissage par renforcement.

UniRL est un framework pour l'apprentissage par renforcement de modèles multimodaux unifiés.

Une base de code adaptée à la recherche pour l'expérimentation rapide de l'apprentissage par renforcement multi-agents dans JAX.

UniLab : une architecture hétérogène pour l'apprentissage par renforcement robotique au-delà des paradigmes dominés par les GPU

La plateforme Multi-Agent Resource Optimization (MARO) est une instance de Reinforcement Learning as a Service (RaaS) pour les problèmes d'optimisation des ressources dans le monde réel.

Résumé des articles et blogs clés sur les modèles de diffusion pour apprendre le sujet. Liste détaillée de toutes les publications sur la robotique par diffusion.

Environnements PyBullet CartPole et Quadrotor, avec dynamique symbolique a priori CasADi, pour le contrôle basé sur l'apprentissage et l'apprentissage par renforcement (RL).

Une liste organisée de ressources sur les Decision Transformers (mise à jour en continu).

Ressources CARLA incluant tutoriels, blog, code, etc. https://github.com/carla-simulator/carla

Environnement ouvert d'IA pour Honor of Kings par Tencent.

Une liste organisée de ressources sur l'apprentissage par renforcement profond (Deep Reinforcement Learning).

Une bibliothèque PyTorch dédiée à l'apprentissage par renforcement (RL) pour l'optimisation combinatoire (CO)

Les Transformers sont des modèles de monde efficaces en termes d'échantillonnage. ICLR 2023, parmi les 5 % meilleurs.

Continual learning infra for self-improving agents

Tien Kung-Lab : Workflow IsaacLab direct pour robots à pattes

🕹️ Une suite diversifiée d'environnements d'apprentissage par renforcement évolutifs sous JAX.

Outil de conception moléculaire par IA pour le design de novo, le scaffold hopping, le remplacement de groupes R, le design de linkers et l'optimisation de molécules

[CoRL 2024] HumanPlus : Shadowing et imitation d'humanoïdes à partir d'humains

Apprentissage par renforcement multi-agents avec JAX.

Framework unifié d'apprentissage par renforcement.

Une collection organisée d'outils d'IA, d'API, de jeux de données et de ressources d'apprentissage de haute qualité couvrant le machine learning, le deep learning, l'IA générative, le NLP et la science des données. Conçu pour aider les développeurs, les chercheurs et les créateurs à explorer et à construire avec l'IA plus rapidement.

Implémentations en Python d'algorithmes de bandits contextuels.

Ce dépôt contient des bases de référence pour l'apprentissage par renforcement sécurisé.

Collection de projets publics remarquables sur les LLM, VLM, VLA, AIGC, ainsi que les jeux de données et applications associés.

Collection organisée d'articles, de rapports techniques, de frameworks et d'outils pour la distillation on-policy (OPD) des grands modèles de langage

Une liste organisée de frameworks, articles, logiciels et ressources exceptionnels pour NVIDIA Isaac Gym.

MobileGym : une plateforme de simulation vérifiable et hautement parallèle pour la recherche sur les agents d'interface graphique mobile, simulateur Android hébergé dans le navigateur, évaluation vérifiable, entraînement RL en ligne évolutif.

BFM_Zero : un modèle de fondation comportemental pilotable pour le contrôle d'humanoïdes utilisant l'apprentissage par renforcement non supervisé

MDP et POMDP en Julia : une interface pour définir, résoudre et simuler des processus de décision markoviens totalement ou partiellement observables sur des espaces discrets et continus.

Ensemble d'environnements robotiques basés sur le moteur physique PyBullet et gymnasium.