Référentiel
RLinf
Infrastructure d'apprentissage par renforcement pour les modèles incarnés et les politiques robotiques.
Cadres d'apprentissage des robots
Recherche et apprentissage / Recherche
AwesomeWorldModels accompagne une enquête sur les modèles mondiaux d'IA incarnée.
AwesomeWorldModels accompagne une enquête sur les modèles mondiaux d'IA incarnée.
Résumé de l'éditeur : « Une enquête complète sur les modèles mondiaux d'IA incorporée »
Utilisez son référentiel pour inspecter la mise en œuvre, la documentation et les flux de travail pris en charge. Cet enregistrement d'annuaire identifie le responsable, la licence de code et les ressources associées ; il ne prétend pas que le projet a été installé ou testé sur votre robot.
Les licences de code ne couvrent pas automatiquement les poids des modèles, les ensembles de données ou les conceptions matérielles. Les détails de licence non enregistrés nécessitent une confirmation auprès de l'éditeur.
Référentiel
Infrastructure d'apprentissage par renforcement pour les modèles incarnés et les politiques robotiques.
Cadres d'apprentissage des robots
Référentiel
Implémentation de Dreamer pour l'apprentissage des comportements de contrôle avec des modèles du monde latents.
Planification et contrôle des mouvements
Référentiel
DayDreamer propose des méthodes de modélisation mondiale pour l'apprentissage physique des robots.
Modèles du monde
Référentiel
DreamDojo étudie les modèles du monde robotique tirés des données vidéo humaines.
Modèles du monde
Référentiel
Implémentation officielle de l'article « SR-AIF : Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models »
Modèles du monde