Jun, 2021

Panda-Gym：用于机器人学习中的开源目标感知环境

PDF
TL;DR本文介绍了 panda-gym，它是集成了 OpenAI Gym 的 Franka Emika Panda 机器人的强化学习（RL）环境。它包括五个任务：到达，推动，滑动，拾取和堆叠。它们都遵循多目标 RL 框架，允许使用面向目标的 RL 算法。 panda-gym 是开源的，并且基于最新的无模型离策略算法。
reinforcement learningroboticsmulti-goal rlopenai gympybullet
发现论文，激发创造
  • 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

  • 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

  • EduGym：强化学习教育环境套件

    通过 EduGym 这一套教育性的强化学习环境和配套的交互式笔记本，该研究旨在帮助学生更好地理解强化学习的概念和实践，通过提供特定挑战方面的环境和解决方案，从而提高教学效果。

    Nov, 2023

  • 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

  • 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

  • PDDLGym：来自 PDDL 问题的 Gym 环境

    PDDLGym 是一个从 PDDL 域和问题中自动构建 OpenAI Gym 环境的框架，它是一个特别适合于关系强化学习和关系序列决策研究的框架，也可用作快速构建众多、多样化基准测试的通用框架。

    Feb, 2020

  • 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

  • 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

  • 辅助健身房：辅助机器人的物理模拟框架

    本文介绍了 Assistive Gym 这个开源的物理仿真框架，可用于为多种日常生活活动提供机器人辅助，并基于强化学习方法训练不同商用机器人的基本策略。通过对人类活动模型进行建模，该框架可模拟人类活动能力和辅助偏好以提供奖励函数，从而提供更好的人机交互体验。

    Oct, 2019

  • DoorGym：可扩展的开门环境和基准智能体

    该篇文章介绍了 DoorGym 环境模拟框架，利用强化学习与领域随机化提高模型泛化性能。提供的基于 PPO 和 SAC 的实现可成功地在 DoorGym 环境中打开不同类型的门，并且现实世界中的转移实验也证明了训练出的模型的可用性。

    Aug, 2019