ToyBox：用于测试强化学习智能体的更优 Atari 环境
人工智能
2019-01-28 v3
摘要
一个被广泛接受的准则是：没有测试的软件存在缺陷。测试强化学习智能体尤为困难，因为智能体与环境均具随机性、最先进模型复杂，且其预测具有序列性质。近来，Arcade Learning Environment (ALE) 已成为深度学习研究中最广泛使用的基准套件之一，且最先进的强化学习(RL)智能体已在许多 ALE 任务上被证明常规达到或超过人类表现。由于 ALE 基于原始 Atari 游戏的仿真，该环境不提供内部游戏状态的语义有意义表示。这意味着 ALE 作为支持测试或模型自省的环境其效用有限。我们提出 ToyBox，一组这些游戏的重新实现，解决了这一关键问题并支持对 RL 智能体的稳健测试。
引用
@article{arxiv.1812.02850,
title = {ToyBox: Better Atari Environments for Testing Reinforcement Learning Agents},
author = {John Foley and Emma Tosch and Kaleigh Clary and David Jensen},
journal= {arXiv preprint arXiv:1812.02850},
year = {2019}
}
备注
NeurIPS Systems for ML Workshop