-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathconfig.py
154 lines (128 loc) · 8.21 KB
/
config.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
import argparse
import os
def argparser():
def str2bool(v):
return v.lower() == 'true'
def str2list(v):
if not v:
print(v)
return v
else:
return [v_ for v_ in v.split(',')]
parser = argparse.ArgumentParser(description='Transition Policy with Inverse Reinforcement Learning',
formatter_class=argparse.ArgumentDefaultsHelpFormatter)
parser.add_argument('--mpi', type=int, default=1, help="use mpi")
parser.add_argument('--train', type=str2bool, default=False)
parser.add_argument('--hrl', type=str2bool, default=False)
parser.add_argument('--complex_task', type=str, default='patrol', choices=['patrol', 'obstacle', 'hurdle', 'pick', 'serve', 'catch'])
parser.add_argument('--seed', type=int, default=5000)
parser.add_argument('--env', type=str, default='Walker2dForward-v1')
parser.add_argument('--exp_name', type=str, default='Hopper-v3')
parser.add_argument('--epochs', type=int, default=4000)
parser.add_argument('--num_rollouts', type=int, default=8000)
parser.add_argument('--max_steps', type=int, default=8000)
parser.add_argument('--primitive_algo', type=str, default='ppo',
choices=['ppo', 'trpo', 'ppo_reward_test'])
parser.add_argument('--primitive_hid_size', type=int, default=64)
parser.add_argument('--primitive_hid_layer', type=int, default=2)
parser.add_argument('--save_freq', type=int, default=10)
# Lee trpo
parser.add_argument('--rl_num_hid_layers', type=int, default=2)
parser.add_argument('--rl_hid_size', type=int, default=32)
parser.add_argument('--rl_fixed_var', type=str2bool, default=True)
parser.add_argument('--rl_activation', type=str, default='tanh', choices=['relu', 'elu', 'tanh'])
parser.add_argument('--primitive_include_acc', type=str2bool, default=False)
# ppo
parser.add_argument('--lr_decay', type=str2bool, default=True)
parser.add_argument('--clip_ratio', type=float, default=0.20)
parser.add_argument('--gamma', type=float, default=0.99)
parser.add_argument('--lam', type=float, default=0.97)
parser.add_argument('--target_kl', type=float, default=0.015)
parser.add_argument('--entcoeff', type=float, default=0.002)
parser.add_argument('--ppo_pi_lr', type=float, default=1e-4)
parser.add_argument('--ppo_vf_lr', type=float, default=1e-4)
parser.add_argument('--ppo_batchsize', type=int, default=64)
parser.add_argument('--ppo_train_v_iters', type=int, default=10)
# trpo
parser.add_argument('--delta', type=float, default=0.01)
parser.add_argument('--damping_coeff', type=float, default=0.1)
parser.add_argument('--cg_iters', type=int, default=10)
parser.add_argument('--backtrack_coeff', type=float, default=1.0)
parser.add_argument('--backtrack_iters', type=int, default=10)
parser.add_argument('--trpo_batchsize', type=int, default=512)
parser.add_argument('--trpo_train_v_iters', type=int, default=10)
# sac
parser.add_argument('--sac_steps_per_epoch', type=int, default=8000)
parser.add_argument('--sac_epochs', type=int, default=8000)
parser.add_argument('--sac_replay_size', type=int, default=int(1e6))
parser.add_argument('--sac_gamma', type=float, default=0.99)
parser.add_argument('--sac_polyak', type=float, default=0.995)
parser.add_argument('--sac_lr', type=float, default=1e-3)
parser.add_argument('--sac_alpha', type=float, default=0.2)
parser.add_argument('--sac_batchsize', type=int, default=100)
parser.add_argument('--sac_start_steps', type=int, default=10000)
parser.add_argument('--sac_update_after', type=int, default=1000)
parser.add_argument('--sac_update_every', type=int, default=50)
parser.add_argument('--sac_num_test_episodes', type=int, default=10)
parser.add_argument('--sac_max_ep_len', type=int, default=8000)
parser.add_argument('--sac_save_freq', type=int, default=1)
# collect expert demonstration
parser.add_argument('--collect_exp_data', type=str2bool, default=False)
parser.add_argument('--front', type=str2bool, default=True)
# parser.add_argument('--exp_buffer_size', type=int, default=5000)
parser.add_argument('--exp_buffer_size', type=int, default=1000000)
parser.add_argument('--suffix', type=str, default='none')
parser.add_argument('--primitive_path', type=str, default='data/ppo_forward/ppo_forward_s5003/pyt_save/model.pt')
parser.add_argument('--primitive_env', type=str)
parser.add_argument('--primitive', type=str, choices=['walk', 'jump', 'crawl'])
# irl
parser.add_argument('--irl_training', type=str2bool, default=False)
parser.add_argument('--env_1', type=str, default='forward')
parser.add_argument('--env_2', type=str, default='jump')
parser.add_argument('--exp_data_path_1', type=str, default='data/exp_demo/Walker2dForwardHmap-v1')
parser.add_argument('--exp_data_path_2', type=str, default='data/exp_demo/Walker2dJumpHmap-v1')
parser.add_argument('--irl_algo', type=str, default='airl')
# evaluate path
parser.add_argument('--path', type=str, default='none')
parser.add_argument('--render', type=str2bool, default=False)
parser.add_argument('--eval_algo', type=str, default='trpo', choices=['ppo', 'trpo'])
# Q-network
parser.add_argument('--gamma_q', type=float, default=0.99)
parser.add_argument('--learning_rate_q', type=float, default=1e-4)
parser.add_argument('--max_buffer_size_q', type=int, default=1000000)
parser.add_argument('--update_target_frequency_q', type=int, default=500)
parser.add_argument('--epsilon_q', type=int, default=1)
parser.add_argument('--epsilon_min_q', type=float, default=0.01)
parser.add_argument('--epsilon_decay_q', type=int, default=500)
parser.add_argument('--epoch_q', type=int, default=20000)
parser.add_argument('--batch_size_q', type=int, default=64)
parser.add_argument('--eval_frequency_q', type=int, default=1000)
# training Q-network for obstacle and patorl single
parser.add_argument('--option', type=str, default='p', choices=['n', 'p']) # negative direction first
parser.add_argument('--prev', type=str, default='none')
parser.add_argument('--tran', type=str, default='none')
parser.add_argument('--next', type=str, default='none')
parser.add_argument('--fname', type=str, default='jump')
# training Q-network for obstacle and patorl
parser.add_argument('--pi1', type=str, default='none') # obstacle: walk / patrol: forward walk
parser.add_argument('--pi2', type=str, default='none') # obstacle: jump / patrol: backward walk
parser.add_argument('--pi3', type=str, default='none') # obstacle: crawl
parser.add_argument('--pi12', type=str, default='none') # obstacle: walk->jump / patrol: forward walk-> backward walk
parser.add_argument('--pi21', type=str, default='none') # obstacle: jump->walk / patrol: backward walk-> forward walk
parser.add_argument('--pi13', type=str, default='none') # obstacle: walk->crawl
parser.add_argument('--pi31', type=str, default='none') # obstacle: crawl->walk
parser.add_argument('--pi23', type=str, default='none')
parser.add_argument('--pi32', type=str, default='none')
parser.add_argument('--q12', type=str, default='none') # obstacle Q-network: walk->jump / patrol Q-network: forward walk-> backward walk
parser.add_argument('--q21', type=str, default='none') # obstacle Q-network: jump->walk / patrol Q-network: backward walk-> forward walk
parser.add_argument('--q13', type=str, default='none') # obstacle Q-network: walk->crawl
parser.add_argument('--q31', type=str, default='none') # obstacle Q-network: crawl->walk
parser.add_argument('--q23', type=str, default='none')
parser.add_argument('--q32', type=str, default='none')
parser.add_argument('--single', type=str2bool, default=False)
parser.add_argument('--pi1_env', type=str, default='none') # obstacle: walk / patrol: forward walk
parser.add_argument('--pi2_env', type=str, default='none') # obstacle: jump / patrol: backward walk
parser.add_argument('--pi3_env', type=str, default='none') # obstacle: jump / patrol: backward walk
parser.add_argument('--perplexity', type=int, default=40)
args = parser.parse_args()
return args