VQ-BeT: 行为生成与潜在动作

1. 项目介绍

VQ-BeT（Behavior Generation with Latent Actions）是一个开源项目，旨在通过潜在动作生成行为。该项目基于VQ-VAE（Vector Quantized-Variational AutoEncoder）技术，并应用于强化学习环境中。VQ-BeT能够将连续的动作空间离散化，从而更有效地学习策略。

2. 项目快速启动

以下是快速启动VQ-BeT的步骤：

首先，创建一个conda环境并激活：

conda create -n vq-bet python=3.9
conda activate vq-bet

然后，克隆项目仓库：

git clone https://github.com/jayLEE0301/vq_bet_official.git
cd vq_bet_official

接下来，安装依赖：

pip install -r requirements.txt

或者，你可以使用以下命令代替：

sh install.sh

安装MuJoCo和D4RL：

cd d4rl
pip install -e .
cd ..
cd vq_bet_official

对于UR3环境，你需要安装UR3环境：

cd envs/ur3
pip install -e .
cd ..

最后，如果需要启用日志，请登录wandb账户：

wandb login

或者，如果你想禁用日志，可以设置环境变量：

export WANDB_MODE=disabled

3. 应用案例和最佳实践

预训练VQ-VAE

在预训练Residual VQ之前，你需要设置配置文件：

config_name="pretrain_[env name]"

然后运行预训练脚本：

python examples/pretrain_vqvae.py

训练和评估VQ-BeT

在训练VQ-BeT之前，首先确保你的配置文件中包含了预训练的Residual VQ路径：

vqvae_load_dir: YOUR_PATH_TO_PRETRAINED_VQVAE/trained_vqvae.pt

然后设置配置文件并运行训练脚本：

config_name="train_[env name]"
python examples/train.py

对于视觉观察环境，你需要设置visual_input: true在你的配置文件中。

使用预训练权重

如果你想快速查看VQ-BeT在目标条件厨房环境上的表现而不需要从头开始训练，可以下载预训练的Residual VQ和VQ-BeT权重，然后按照上述训练步骤加载权重进行评估。

4. 典型生态项目

VQ-BeT可以应用于多种强化学习环境，包括但不限于PushT和Kitchen环境。开发者可以基于VQ-BeT框架，为不同的任务定制自己的环境，从而扩展VQ-BeT的应用范围。此外，VQ-BeT的社区也在不断增长，提供了多种工具和脚本以帮助新用户快速入门和开发。