NetHack 学习环境
机器学习
2020-12-02 v2 人工智能
计算与语言
神经与进化计算
机器学习
摘要
强化学习（RL）算法的进展与测试当前方法极限的挑战性环境的发展密不可分。尽管现有的 RL 环境要么足够复杂，要么基于快速模拟，但它们很少同时具备这两者。在此，我们提出 NetHack 学习环境（NLE），这是一个基于流行的单人终端类 rogue 游戏 NetHack、可扩展、程序化生成、随机、丰富且具有挑战性的 RL 研究环境。我们认为，NetHack 足够复杂，能够推动关于探索、规划、技能获取和语言条件 RL 等问题的长期研究，同时大幅减少收集大量经验所需的计算资源。我们将 NLE 及其任务套件与现有替代方案进行比较，并讨论为何它是测试 RL 智能体鲁棒性和系统性泛化的理想媒介。我们使用分布式深度 RL 基线和随机网络蒸馏（Random Network Distillation）探索，结合在环境中训练的各种智能体的定性分析，展示了游戏早期阶段的经验性成功。NLE 已在 https://github.com/facebookresearch/nle 开源。
引用
@article{arxiv.2006.13760,
title = {The NetHack Learning Environment},
author = {Heinrich Küttler and Nantas Nardelli and Alexander H. Miller and Roberta Raileanu and Marco Selvatici and Edward Grefenstette and Tim Rocktäschel},
journal= {arXiv preprint arXiv:2006.13760},
year = {2020}
}
备注
28 pages. Accepted at NeurIPS 2020