reinforcement-learning

ReSearch: 強化学習を用いたLLMの検索推論学習 ＆ ReCall: 強化学習を用いたLLMのツール呼び出し推論学習

Julia で書かれた簡潔で美しいアルゴリズム

モデルベース強化学習（Model-based RL）に関する優れたリソースの厳選リスト（随時更新）

RL（強化学習）の実装

STEM 教育および AI 強化サービス向けの、プログラム可能で機動性の高いロボット猫。

SMAC: StarCraftマルチエージェントチャレンジ

ROS Gazebo シミュレータにおける移動ロボットのナビゲーションのための深層強化学習。Twin Delayed Deep Deterministic Policy Gradient (TD3) ニューラルネットワークを使用し、ロボットが障害物を回避しながらシミュレーション環境内のランダムな目標地点へ移動する方法を学習する。

PyTorchによるモジュール式深層強化学習フレームワーク。書籍「Foundations of Deep Reinforcement Learning」の補助ライブラリ。

Soft Actor-Critic (SAC)、Twin Delayed DDPG (TD3)、Actor-Critic (AC/A2C)、Proximal Policy Optimization (PPO)、QT-Opt、PointNet などの PyTorch 実装

AI エージェントがワークフローのループを通じてタスクを完了し、反復実行によって自己改善を行い、メンターエージェントや人間のフィードバックによって評価され、完了した作業を再利用可能な作業経験やデータに変換して将来のエージェントの改善に活かすための活きたエコシステム。

Keras による最小限のディープQ学習（DQN & DDQN）の実装

オフライン強化学習データセットのための標準フォーマット。主要な参照データセットと関連ユーティリティを含む

ディープラーニングと機械学習に関する論文読解ノート

シンプルでスタイリッシュな PPO の実装。Medium の連載シリーズに基づいています: https://medium.com/@eyyu/coding-ppo-from-scratch-with-pytorch-part-1-4-613dfc1b14c8

AndroidデバイスでのRL研究。

強化学習を用いた数式型アルファ（予測）株式ファクターの生成。

強化学習を用いた人型ロボットの歩行訓練。

パーダーボルン大学が主催する強化学習コースの講義ノート、解答付きチュートリアル課題、オンラインビデオ。

交通制御における強化学習のための計算フレームワーク

[ECCV 2026] MixGRPO: Mixed ODE-SDEによるFlowベースのGRPO効率の解放

環境を使用してモデルやエージェントを評価および改善する

一般的なセットアップ（Google Robot、WidowX+Bridgeなど）のシミュレーション環境における、現実世界のロボット操作ポリシー（RT-1、RT-1-X、Octoなど）の評価と再現（CoRL 2024）

JMLR: SafeRLの研究を加速させるためのインフラストラクチャフレームワーク「OmniSafe」

NNAISENSEで開発された、PyTorch上で直接動作する高度な進化計算ライブラリ

自動運転向けスケーラブルマルチエージェントRLトレーニングスクール

:computer: 機械に学習させる方法を学び、プログラミングの苦労から解放されましょう。究極のリスト

ナビゲーション、制御、学習用に設計された、Python ベースの軽量ロボットシミュレーター

物理シミュレーションキャラクター向け再利用可能コントローラーの訓練用敵対的スキル埋め込み

[ICLR 2026] エージェント型強化ポリシー最適化 (ARPO)

複雑な推論タスク向けに特別に設計された 6,446 件のテキスト・音声アノテーション済みサンプルからなる Audio Logical Reasoning (ALR) データセットを提案します。このリソースを基に、音声言語モデル (ALMs) に高度なバイモーダル推論能力を付与するために調整された、ルールベースの強化学習 (RL) アルゴリズムである SoundMind を提案します。