Bewaarplaats
Onderzoek
RLBench
Een takenpakket voor het evalueren van robotleren met visuele observaties.
Manipulatie
Onderzoek en leren / Open-source
catalyst-rl-tutorial · arrival-ltd
Catalyst.RL gebruiken om een robot te trainen om tijdens simulatie een pin-in-hole in te brengen.
Overzicht
Catalyst.RL gebruiken om een robot te trainen om tijdens simulatie een pin-in-hole in te brengen.
Gebruik de bron om robotica-concepten, voorbeelden en referenties te verkennen. Bronmateriaal kan historisch zijn; controleer de toepasselijke versie en context.
Projectinformatie
- Onderhouder
- arrival-ltd
- Primaire taal
- Python
- Licentie voor repositorycode
- MIT
- Modelgewicht licentie
- Niet opgenomen
- Dataset-licentie
- Niet opgenomen
- Hardware-ontwerplicentie
- Niet opgenomen
- Onderhoud
- Niet gearchiveerd in de laatst opgenomen metadata
- Laatst waargenomen opslagplaatspush
- 2020-09-23
Codelicenties hebben niet automatisch betrekking op modelgewichten, datasets of hardwareontwerpen. Voor niet-opgenomen licentiegegevens is bevestiging door de uitgever vereist.
Documentatie secties
- Robotic Assembly using Deep Reinforcement Learning
- Introduction
- Setup
- -------------- all methods above are required for any Gym environment, everything below is env-specific --------------
- A brief summary of the `CoppeliaSimEnvWrapper` in `src/env.py`
- Defining the RL algorithm
Blader door de categorieën van deze bron
Ontdek gerelateerde collecties
Blader Onderzoek en leren →Meer binnen Onderzoek en leren
Bewaarplaats
Onderzoek