論文の概要: MinsStudio: A Streamlined Package for Minecraft AI Agent Development

• arxiv url: http://arxiv.org/abs/2412.18293v1
• Date: Tue, 24 Dec 2024 09:01:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:55:15.502510
• Title: MinsStudio: A Streamlined Package for Minecraft AI Agent Development
• Title（参考訳）: MinsStudio:Minecraft AIエージェント開発のための合理化されたパッケージ
• Authors: Shaofei Cai, Zhancun Mu, Kaichen He, Bowei Zhang, Xinyue Zheng, Anji Liu, Yitao Liang,
• Abstract要約: Minecraftは、インテリジェンスとシーケンシャルな意思決定研究のための貴重なテストベッドとして登場した。 本稿では,Minecraftにおける具体的政策開発を効率化するオープンソースソフトウェアパッケージであるMineStudioについて述べる。
• 参考スコア（独自算出の注目度）: 12.327116914644627
• License:
• Abstract: Minecraft has emerged as a valuable testbed for embodied intelligence and sequential decision-making research, yet the development and validation of novel agents remains hindered by significant engineering challenges. This paper presents MineStudio, an open-source software package designed to streamline embodied policy development in Minecraft. MineStudio represents the first comprehensive integration of seven critical engineering components: simulator, data, model, offline pretraining, online finetuning, inference, and benchmark, thereby allowing users to concentrate their efforts on algorithm innovation. We provide a user-friendly API design accompanied by comprehensive documentation and tutorials. The complete codebase is publicly available at https://github.com/CraftJarvis/MineStudio.
• Abstract（参考訳）: Minecraftは、インテリジェンスとシーケンシャルな意思決定研究のための貴重なテストベッドとして登場したが、新しいエージェントの開発と検証は、重要なエンジニアリング上の課題によって妨げられている。 本稿では,Minecraftにおける具体的政策開発を効率化するオープンソースソフトウェアパッケージであるMineStudioについて述べる。 MineStudioは,シミュレータ,データ,モデル,オフライン事前トレーニング,オンラインファインタニング,推論,ベンチマークという,7つの重要なエンジニアリングコンポーネントを総合的に統合した初めての企業だ。 包括的なドキュメンテーションとチュートリアルを伴って、ユーザフレンドリなAPI設計を提供します。 完全なコードベースはhttps://github.com/CraftJarvis/MineStudioで公開されている。

関連論文リスト

• Craftium: An Extensible Framework for Creating Reinforcement Learning Environments [0.5461938536945723]
  本稿では,リッチな3次元視覚的RL環境を探索・作成するための新しいフレームワークであるCraftiumについて述べる。 Craftiumは、Minetestゲームエンジンと人気のあるGymnasium APIの上に構築されている。
  論文  参考訳（メタデータ） (2024-07-04T14:38:02Z)
• CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
  我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。 我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。 CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
  論文  参考訳（メタデータ） (2023-05-31T05:24:48Z)
• Ghost in the Minecraft: Generally Capable Agents for Open-World Environments via Large Language Models with Text-based Knowledge and Memory [97.87093169454431]
  Ghost in the Minecraft (GITM) は、LLM(Large Language Models)とテキストベースの知識と記憶を統合する新しいフレームワークである。 我々は、構造化されたアクションのセットを開発し、LSMを活用してエージェントが実行するアクションプランを生成する。 LLMをベースとしたエージェントは、従来の手法を著しく上回り、成功率+47.5%という顕著な改善を達成している。
  論文  参考訳（メタデータ） (2023-05-25T17:59:49Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• Nerfstudio: A Modular Framework for Neural Radiance Field Development [60.210943944285184]
  NerfstudioはNeural Radiance Fields(NeRF)メソッドを実装するためのモジュール型のPyTorchフレームワークである。 NeRFはコンピュータビジョン、グラフィックス、ロボティクスなどの幅広い応用分野において急速に成長している研究分野である。 我々のフレームワークにはNeRFベースの手法を実装するためのプラグイン・アンド・プレイコンポーネントが含まれており、研究者や実践者が彼らのプロジェクトにNeRFを組み込むのが容易になる。
  論文  参考訳（メタデータ） (2023-02-08T18:58:00Z)
• MineDojo: Building Open-Ended Embodied Agents with Internet-Scale Knowledge [70.47759528596711]
  私たちは、人気のMinecraftゲーム上に構築された新しいフレームワークであるMineDojoを紹介します。 本稿では,学習報酬関数として,大規模な事前学習ビデオ言語モデルを活用する新しいエージェント学習アルゴリズムを提案する。 我々のエージェントは、手動で設計した密なシェーピング報酬なしで、自由形式の言語で指定された様々なオープンエンドタスクを解くことができる。
  論文  参考訳（メタデータ） (2022-06-17T15:53:05Z)
• EvoCraft: A New Challenge for Open-Endedness [7.927206441149002]
  EvoCraftは、オープンなアルゴリズムを研究するために設計されたMinecraftのフレームワークである。 EvoCraftは、複雑なアーティファクトを見つけるための自動検索方法(進化など)に挑戦的な新しい環境を提供する。
  論文  参考訳（メタデータ） (2020-12-08T21:36:18Z)
• Scaling Imitation Learning in Minecraft [114.6964571273486]
  本研究では,マインクラフト環境でのハード・サーベイ問題に対する最先端の性能を達成するために模倣学習を適用した。 私たちのアプローチの初期バージョンは、NeurIPS 2019でMineRLコンペティションで2位にランクインしました。
  論文  参考訳（メタデータ） (2020-07-06T12:47:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。