Förvar
Forskning
RLBench
En uppgiftssvit för att utvärdera robotinlärning med visuella observationer.
Manipulering
Forskning & lärande / Öppen källkod
catalyst-rl-tutorial · arrival-ltd
Använder Catalyst.RL för att träna en robot att utföra peg-in-hole insättning i simulering.
Översikt
Använder Catalyst.RL för att träna en robot att utföra peg-in-hole insättning i simulering.
Använd källan för att utforska robotikkoncept, exempel och referenser. Källmaterial kan vara historiskt; kontrollera tillämplig version och sammanhang.
Projektinformation
- Underhållare
- arrival-ltd
- Primärt språk
- Python
- Förvarskodlicens
- MIT
- Modellviktslicens
- Ej inspelat
- Dataset licens
- Ej inspelat
- Hårdvarudesignlicens
- Ej inspelat
- Underhåll
- Ej arkiverad i senast registrerade metadata
- Senast observerade repository push
- 2020-09-23
Kodlicenser täcker inte automatiskt modellvikter, datauppsättningar eller hårdvarudesigner. Oinspelade licensdetaljer kräver bekräftelse med utgivaren.
Dokumentationssektioner
- 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
Bläddra i den här resursens kategorier
Utforska relaterade samlingar
Bläddra Forskning & lärande →Mer in Forskning & lärande
Förvar
Forskning