Inverse Reinforcement Learning Benchmark（IRL Benchmark）是逆强化学习研究社区维护的标准化评测基准，用于公平比较不同IRL算法在各类任务上的奖励函数恢复和策略学习性能。基准涵盖经典IRL（线性规划IRL、最大边际IRL）、最大熵IRL（MaxEnt IRL、引导成本学习）、深度IRL（深度MaxEnt IRL、GAIL）、贝叶斯IRL等多种IRL范式，包括网格世界、自动驾驶、机器人操作、运动控制、游戏AI等多种任务类型。基准提供了统一的专家演示生成接口、标准化的评估协议、可复现的实验设置和公开的排行榜，支持多种仿真环境（OpenAI Gym、MuJoCo、PyBullet、Atari等）。
Inverse Reinforcement Learning Benchmark
Inverse Reinforcement Learning Benchmark（IRL Benchmark）是逆强化学习研究社区维护的标准化评测基准，用于公平比较不同IRL算法在各类任务上的奖励函数恢复和策略学习性能。基准涵盖经典IRL（线性规划IRL、最大边际IRL）、最大熵IRL（MaxEnt IRL、引导成本学习）、深度IRL（深度MaxEnt IRL、GAIL）、贝叶斯IRL等多种IRL范式，包括网格世界、自动驾驶、机器人操作、运动控制、游戏AI等多种任务类型。基准提供了统一的专家演示生成接口、标准化的评估协议、可复现的实验设置和公开的排行榜，支持多种仿真环境（OpenAI Gym、MuJoCo、PyBullet、Atari等）。
测试方法与条件
在统一任务和专家演示下运行各IRL算法，记录奖励函数恢复精度、策略匹配度、特征期望匹配度等指标，多次运行取平均值和标准差