Esta página foi traduzida automaticamente do inglês. Visualize o original em inglês.
Desenvolvedores Python, pesquisadores e engenheiros implementando modelos de estado contínuo Active Inference.
Uma biblioteca contínua Active Inference testada e documentada em Python.
Liderar: Daniel Corva
cpomdp é uma biblioteca Python de código aberto para estados contínuos Active Inference. Fornece passagem de mensagens de grafo de fatores, filtragem de Kalman e de referência, ruído de observação e processo dependente do estado, tolerâncias certificáveis e linhas de base de controle clássicas correspondentes.
cpomdp traz rigor contínuo Active Inference para Python. Agentes mantêm crenças gaussianas sobre estados latentes contínuos, atualizam via passagem de mensagens em grafos de fatores estilo Forney e selecionam ações minimizando a energia de livre esperada sobre conjuntos de ações declarados com tolerâncias de garantia certificadas.
Contribuintes interessados em análise numérica, núcleos de referência JAX/NumPy, filtragem de Kalman e modelagem generativa contínua são bem-vindos para participar via Discord e GitHub.
A biblioteca é desenvolvida em aberto: código fonte em GitHub, documentação em cpomdp.inferogenesis.com, e releases publicadas no PyPI como cpomdp. O primeiro artigo associado, "State-Dependent Observation Noise Reintroduces Epistemic Value in Linear-Gaussian Active Inference" (arXiv:2607.20306, 2026), apresenta o resultado de como o tratamento de ruído dependente de estado da biblioteca implementa.
Recursos relacionados
Audience: Newcomer
Primary public community channel for conversation, coordination, and newcomer orientation.
Audience: Researcher
Public ecosystem shortlink for Institute context, projects, activities, and conceptual maps.
Audience: Developer
Source repository for the cpomdp continuous-state Active Inference library.
Audience: Developer
Documentation for the cpomdp library: API reference, tutorials, and worked examples.
Audience: Developer
Released cpomdp packages on the Python Package Index, installable with pip.
Audience: Researcher
Preprint showing that state-dependent observation noise reintroduces epistemic value in linear-Gaussian Active Inference; the result cpomdp implements.