lets-do-irl
lets-do-irl 是一个基于 PyTorch 的开源项目，专注于实现多种逆强化学习（Inverse RL）算法。在强化学习任务中，人工设计奖励函数往往困难且主观，lets-do-irl 通过让智能体观察专家演示数据，自动推断奖励函数，从而学会模仿专家行为。
lets-do-irl 涵盖了 APP、MaxEnt、GAIL 和 VAIL 等多种经典及前沿算法，并在 Mountain Car 和 Mujoco Hopper 等环境中完成了训练验证。对于希望复现 IRL 论文、探索智能体模仿机制的研究人员、开发者及学生而言，这是一个极佳的实践平台。代码结构清晰，支持 Tensorboard 可视化，有效降低了算法复现的门槛。无论是想深入理解逆强化学习原理，还是寻找可落地的模仿学习方案，lets-do-irl 都能提供有力的支持。
使用场景
某智能制造研发团队正在开发协作机器人，试图让机械臂精准完成复杂的精密组装任务。
没有 lets-do-irl 时
- 手动设计奖励函数极其困难，难以量化“精准度”与“平稳性”等抽象标准。
- 依赖大量试错调整超参数，导致训练周期漫长且计算资源浪费严重。
- 传统强化学习难以捕捉人类专家的细微操作技巧，生成的动作生硬且不自然。
- 面对新任务需重新定义规则，系统泛化能力弱，后续维护成本高昂。
使用 lets-do-irl 后
- 直接导入专家演示数据，利用 GAIL 或 MaxEnt 算法自动反推潜在的奖励函数。
- 无需繁琐的奖励塑形，模型能更快收敛并完美复现流畅的人类操作轨迹。
- 内置多种 IRL 算法支持，可根据任务复杂度灵活切换 APP 或 VAIL 策略进行优化。
- 显著降低对领域专家知识的依赖，使机器人能快速适应新的组装流程变化。
通过逆向强化学习将人类经验转化为智能策略，彻底解决了奖励函数设计的难题，大幅提升了研发效率。
运行环境要求
- Linux
- macOS
未说明
未说明
快速开始
让我们进行逆向强化学习
简介
本仓库包含 逆向强化学习 (Inverse Reinforcement Learning, IRL) 算法的 PyTorch (v0.4.1) 实现。
我们使用以下环境实现了基于 IRL 算法的智能体训练。
作为参考，关于上述 IRL 相关论文的综述（韩语）位于 让我们进行逆向强化学习指南。
目录
Mountain car
我们在 MountainCar-v0 环境中使用 Q-learning 作为强化学习步骤，实现了 APP 和 MaxEnt。
1. 信息
2. 专家演示数据
请前往 lets-do-irl/mountaincar/app/expert_demo 或 lets-do-irl/mountaincar/maxent/expert_demo 查看 expert_demo.npy。
专家演示数据的形状为 (20, 130, 3)；(演示数量，演示长度，演示的状态和动作)
如果您要制作演示数据，请前往 lets-do-irl/mountaincar/app/expert_demo 或 lets-do-irl/mountaincar/maxent/expert_demo 查看 make_expert.py。
3. 训练与测试
APP
进入 lets-do-irl/mountaincar/app 文件夹。
训练 智能体使用 APP 且不渲染。
python train.py
如果您想测试 APP，请使用 app/results 文件夹中保存的模型 app_q_table.npy 测试 智能体。
python test.py
MaxEnt
进入 lets-do-irl/mountaincar/maxent 文件夹。
训练 智能体使用 MaxEnt 且不渲染。
python train.py
如果您想测试 MaxEnt，请使用 maxent/results 文件夹中保存的模型 maxent_q_table.npy 测试 智能体。
python test.py
4. 训练好的智能体
我们使用两种不同的 IRL 算法在 MountainCar-v0 环境中训练了智能体。
| 算法 | 得分 / 回合数 | GIF |
|---|---|---|
| APP |  |
 |
| MaxEnt |  |
 |
Mujoco Hopper
我们在 Hopper-v2 环境中使用 PPO 作为强化学习步骤，实现了 GAIL 和 VAIL。
1. 安装
2. 专家演示数据
请前往 lets-do-irl/mujoco/gail/expert_demo 或 lets-do-irl/mujoco/vail/expert_demo 查看 expert_demo.p。
专家演示数据的形状为 (50000, 14)；(演示数量，演示的状态和动作)
我们使用了平均得分在 2200 到 2600 之间的演示数据。
如果您要制作演示数据，请前往 lets-do-irl/mojoco/ppo 文件夹中的 main.py。
此外，您可以在 PG Travel implementation story 中查看 PPO 的详细实现故事（韩语）。
3. 训练与测试
GAIL
导航至 lets-do-irl/mujoco/gail 文件夹。
使用 GAIL（生成对抗模仿学习）训练代理，无需渲染。
python main.py
如果您想从保存的检查点继续训练，
python main.py --load_model ckpt_4000_gail.pth.tar
- 注意：
ckpt_4000_gail.pth.tar文件应位于mujoco/gail/save_model文件夹中。
如果您想测试 GAIL，请使用 mujoco/gail/save_model 文件夹中的保存模型 ckpt_4000_gail.pth.tar 测试代理。
python test.py --load_model ckpt_4000_gail.pth.tar
- 注意：
ckpt_4000_gail.pth.tar文件应位于mujoco/gail/save_model文件夹中。
VAIL
导航至 lets-do-irl/mujoco/vail 文件夹。
使用 VAIL（变分对抗模仿学习）训练代理，无需渲染。
python main.py
如果您想从保存的检查点继续训练，
python main.py --load_model ckpt_4000_vail.pth.tar
- 注意：
ckpt_4000_vail.pth.tar文件应位于mujoco/vail/save_model文件夹中。
如果您想测试 VAIL，请使用 mujoco/vail/save_model 文件夹中的保存模型 ckpt_4000_vail.pth.tar 测试代理。
python test.py --load_model ckpt_4000_vail.pth.tar
- 注意：
ckpt_4000_vail.pth.tar文件应位于mujoco/vail/save_model文件夹中。
4. Tensorboard
请注意，训练结果会自动保存在 logs 文件夹中。TensorboardX 是用于 PyTorch 的类似 Tensorboard 的可视化工具。
导航至 lets-do-irl/mujoco/gail 或 lets-do-irl/mujoco/vail 文件夹。
tensorboard --logdir logs
5. 已训练代理
我们使用 Hopper-v2 环境，通过两种不同的 IRL（逆强化学习）算法训练了代理。
| 算法 | 得分 / 迭代次数（总样本数：2048） |
|---|---|
| PPO（用于比较） |  |
| GAIL |  |
| VAIL |  |
| 总计 |  |
参考文献
我们参考了以下仓库的代码。
实施团队成员
Dongmin Lee（项目经理）：GitHub, Facebook
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。