Aug, 2016

基于 ROS 和 Gazebo 的强化学习机器人工具包扩展 OpenAI Gym

PDF
TL;DR本研究介绍了一个基于 Robot Operating System (ROS) 和 Gazebo simulator 的 OpenAI Gym 扩展版本，讨论了所提出的软件架构和使用 Q-Learning 和 Sarsa 两种强化学习算法所获得的结果，并提供了一个基准系统，用于在相同的虚拟条件下比较不同的技术和算法。
openai gymrobot operating systemgazebo simulatorreinforcement learningbenchmarking
发现论文，激发创造
  • DeepSim: ROS 和 Gazebo 的强化学习环境构建工具包

    DeepSim 是一个 ROS 和 Gazebo 强化学习环境构建工具包，使机器学习或强化学习研究人员能够访问机器人领域并在 ROS 和 Gazebo 模拟环境中创建复杂和有挑战性的自定义任务。本工具包提供了高级功能的构建模块，如碰撞检测、行为控制、领域随机化、生成器等等。DeepSim 通过提供 Python 接口，旨在减少机器人和机器学习社区之间的边界。我们在本文中讨论了 DeepSim 工具包的组件和设计决策。

    May, 2022

  • OpenAI Gym

    OpenAI Gym 是一个用于强化学习研究的工具包，包含多个基准问题的集合，提供共同的接口，并提供一个网站，可以分享结果并比较算法性能。本文探讨了 OpenAI Gym 的组件和软件设计决策。

    Jun, 2016

  • 多目标强化学习：挑战机器人环境与研究请求

    介绍了一组具有挑战性的连续控制任务，并提出了许多改进强化学习算法的研究思路。

    Feb, 2018

  • 面向外界开放的外科机器人强化学习环境

    开发了第一个基于强化学习的外科手术机器人环境 ——dVRL，通过 RL 环境演示了在外科手术中实现自主机器人精准和协作问题的最新算法策略。

    Mar, 2019

  • PIC4rl-gym：一个用于机器人深度强化学习自主导航的 ROS2 模块化框架

    本文介绍了一个模块化框架 PIC4rl-gym，通过融合 ROS2 和 Gazebo 以及深度强化学习技术，提高自主导航的灵活性、效率和计算成本，实现智能体的训练和测试，并通过基于完整的指标集选择不同的导航任务进行基准测试。

    Nov, 2022

  • 学会飞行 -- 一种使用 PyBullet 物理引擎的 Gym 环境，用于多智能体四轴飞行器控制的强化学习

    本文介绍了一种基于 Bullet 物理引擎的开源多旋翼 OpenAI Gym 环境，并通过多个实验展示了其在控制和强化学习方面的应用，旨在鼓励将控制理论和机器学习相结合的未来研究。

    Mar, 2021

  • ns3-gym：为网络研究扩展 OpenAI Gym

    该论文介绍了 ns3-gym 框架的设计决策以及其在网络模拟器 ns-3 中的应用，旨在将机器学习领域的强化学习工具（如 OpenAI Gym）与网络研究相结合，并提供一个便于扩展的开源软件包。

    Oct, 2018

  • Karolos：一个开源的机器人任务强化学习框架

    介绍了一个面向机器人应用的强化学习框架 Karolos，重点是转移场景、模块化环境架构和现有 RL 算法的实现，以及并行化环境的架构来加快实验速度。

    Dec, 2022

  • safe-control-gym：机器人安全学习控制和强化学习一个统一的基准测试套件

    提出了一个名为 safe-control-gym 的新开源基准套件，支持模型和数据驱动控制技术，在 3 个动态系统和 2 个控制任务上提供实现，并建议将 OpenAI 的 Gym API 扩展为支持符号动态和限制条件的查询，并演示如何使用 safe-control-gym 来量化比较传统控制、基于学习的控制和强化学习的多种方法的控制性能、数据效率和安全性。

    Sep, 2021

  • 仿真机器人臂的安全强化学习

    通过在 Panda 机械臂创建自定义环境，扩展安全强化学习算法的适用性，并通过与基准版本的比较表明，在满足安全约束条件的同时，受限版本能够学习到同样好的策略，但需要更长的训练时间。

    Nov, 2023