Repita el experimento PPO con la misma semilla del autor GzDRL

Haridevan, Kang y Shan presentar GzDRL en una preimpresión de 2026. La Sección V-B, la Figura 6 y la Tabla II comparan ejecuciones de PPO aisladas en procesos con semillas idénticas y diferentes. Este ejemplo ejecuta el artefacto de investigación de la misma semilla publicado en la CPU y compara sus parámetros de punto de control reales y el resultado evaluation con el documento.

Cree un entorno conda aislado desde Environment.yml. La compilación de Linux verificada se registra en Environment-explicit.txt; Los paquetes de Python se registran en requisitos-tested.txt. correr sh fetch-source.sh dentro del entorno activado, entonces sh run.sh. La fuente está fijada en 3e5c5f9a62c1160b3b2889e6d34d794a5361e178. El código de autor es MIT, con Gazebo separados y avisos de dependencia de EnvPool incluidos. Conserve sus archivos LICENCIA/THIRD_PARTY_NOTICES.

Esta compilación portátil utiliza conda-forge Gazebo 10.6.0 y GCC 15 en lugar de la instalación del sistema GCC 11 del autor. Un parche de compatibilidad mecánica elimina la ambigüedad de 22 llamadas de constructor vinculadas a escalar con explícito std::tuple; La dinámica y la lógica de las tareas no fueron editadas. La fuente necesitaba ese parche para compilar con esta cadena de herramientas. Se utilizó CPU PyTorch 2.7.1 y Stable Baselines3 2.7.0. El bloqueo de dependencia histórica del papel no está establecido.

La configuración del autor no modificada entrena cinco procesos independientes con semilla 42, ocho entornos, aleatorización de dominio deshabilitada, 500.000 pasos de tiempo solicitados y puntos de control cada 50.000 pasos. El proceso de implementación por lotes de PPO produce 501.760 pasos de tiempo reales. Cada punto de control se evalúa en más de 20 episodios de semillas fijas en un nuevo proceso con la normalización de las observaciones guardadas restaurada y congelada. La fila de semillas diferentes de la Tabla II está fuera de esta serie.

La verificación previa del autor pasó los cinco hashes: observaciones iniciales, una secuencia de transición fija, política inicial, política de actualización de un PPO y estado de normalización. Una verificación independiente del diccionario de estado también encontró parámetros idénticos en las cinco ejecuciones en las 12 posiciones de puntos de control guardadas. Las marcas de tiempo del archivo zip están excluidas de esa comparación de parámetros.

El artículo informa un rendimiento de la misma semilla de 18,43 ± 0,00 y puntos de control 100% idénticos. En las cinco ejecuciones completadas, el rendimiento final fue de 16,53216975 ± 0,00 en todas las ejecuciones. Cada punto de control recibió 20 episodios de evaluation de semilla fija, por un total de 1200 evaluation. La SD de retorno del episodio final dentro de la serie fue 14,98144; La tasa de éxito de la duración del episodio final fue de 0,55. Los parámetros entrenados y las curvas evaluation fueron idénticos en todos los procesos. La afirmación del determinismo del punto de control está respaldada por esta ejecución; El resultado numérico del artículo no se reproduce. No existe una tolerancia de aceptación inventada para su retorno redondeado, y las diferencias entre software y compilador siguen siendo sustanciales.

Mantenga los CSV de episodios sin procesar, el registro de verificación previa, la comparación de políticas independientes, la configuración efectiva y los resultados del análisis del autor. La revisión científica humana sigue pendiente. Una ejecución completa de capacitación/evaluation aquí proporciona evidencia concreta para un ejemplo de laboratorio útil y al mismo tiempo preserva el desacuerdo con el artículo.

Descargar los archivos grabados#

Registro de ejecución completo · Todos los intentos de los candidatos. La revisión científica humana está pendiente.

Ver código fuente en GitHub