RLeXplore：加速内在动机强化学习研究

</div>

RLeXplore是一个统一、高度模块化和即插即用的工具包，目前提供了八种代表性内在奖励算法的高质量、可靠实现。由于各种混淆因素，包括不同的实现、优化策略和评估方法，比较内在奖励算法一直具有挑战性。因此，RLeXplore旨在为构建、计算和优化内在奖励模块提供统一和标准化的程序。

RLeXplore的工作流程如下图所示：

安装

使用pip 推荐

打开终端，使用pip安装rllte：

conda create -n rllte python=3.8
pip install rllte-core

使用git

打开终端，从GitHub使用git克隆仓库：

git clone https://github.com/RLE-Foundation/rllte.git
pip install -e .

现在你可以通过以下方式调用内在奖励模块：

from rllte.xplore.reward import ICM, RIDE, ...

模块列表

类型	模块
基于计数	PseudoCounts, RND, E3B
好奇心驱动	ICM, Disagreement, RIDE
基于记忆	NGU
基于信息理论	RE3

教程

点击以下链接获取代码笔记本：

基准测试结果

RLLTE的PPO+RLeXplore在超级马里奥兄弟上的表现：

CleanRL的PPO+RLeXplore的RND在蒙特祖玛的复仇上的表现：

引用我们

在出版物中引用此仓库：

@article{yuan_roger2024rlexplore,
  title={RLeXplore: Accelerating Research in Intrinsically-Motivated Reinforcement Learning},
  author={Yuan, Mingqi and Castanyer, Roger Creus and Li, Bo and Jin, Xin and Berseth, Glen and Zeng, Wenjun},
  journal={arXiv preprint arXiv:2405.19548},
  year={2024}
}