May, 2022

DeepSim: ROS 和 Gazebo 的强化学习环境构建工具包

PDF
TL;DRDeepSim 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。
发现论文，激发创造
  • 基于 ROS 和 Gazebo 的强化学习机器人工具包扩展 OpenAI Gym

    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。

    Aug, 2016

  • Gen2Sim：用生成模型在仿真中扩展机器人学习规模

    利用图像扩散模型生成 3D 资产并查询语言和视觉生成模型，通过自动化生成任务描述、任务分解和奖励函数，实现在模拟环境中扩大机器人技能学习的方法。该方法成功地实现了多样性长期任务的策略学习，为模拟中的机器人技能获取迈出了一步。

    Oct, 2023

  • 深度强化学习和 Real2Sim 策略适应在机器人视觉插入中的应用

    本文提出了一种基于纯视觉强化学习的插入任务解决方案，并提出了一种新颖的 Sim2Real 策略 Real2Sim，该策略在政策适应方面具有优势。

    Jun, 2022

  • DeepRacer: 自主驾驶教育赛车平台 进行 Sim2Real 强化学习实验

    DeepRacer 是一个用于 RL 端到端实验的平台，可以用来系统地研究智能控制系统开发中的关键挑战。该平台的应用展示了如何使用 RL 和单眼摄像头来训练 1/18 比例的小车自主学习驾驶，尤其展示出了一个能够通过使用原始相机图像观察和无模型学习方法执行鲁棒路径规划的机器人控制代理的 RL 算法。

    Nov, 2019

  • 通过模拟实现泛化：将模拟和真实数据集成到基于视觉的无人机深度强化学习中

    本文提出一种深度强化学习算法，将模拟数据和真实世界数据相结合，通过学习机器的动力学和建立一个可扩展的感知系统，让四旋翼机器人仅凭单目相机避免碰撞，并在各种光线和几何条件下，用一个小时的真实世界数据就能在新环境中避免碰撞。

    Feb, 2019

  • 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

  • PeersimGym：使用强化学习解决任务卸载问题的环境

    通过开发和优化计算网络中的任务卸载策略，引入了一个可自定义的模拟环境以支持深度强化学习代理，并展示了深度强化学习方法在分布式计算环境中显著提升任务卸载策略的潜力，从而弥合了理论强化学习模型和实际应用之间的差距。

    Mar, 2024

  • 一种用于无人机自主降落平台的深度强化学习策略

    本文阐述了如何将深度强化学习算法应用于机器人领域，主要关注于以物理模拟平台为基础的无人机飞行任务控制，使用基于 Gazebo 的强化学习框架进行训练，最终成功实现了无人机自主降落的任务

    Sep, 2022

  • 基于 GPU 加速的分布式强化学习机器人仿真

    使用 GPU 加速物理引擎 NVIDIA Flex 模拟机器人学习在连续控制和运动任务上表现出了极大的优势，使用少量的 CPU 与单 GPU 即可短时间内训练出高效的机器人智能。

    Oct, 2018

  • 视觉四旋翼导航的并行强化学习模拟

    该研究提出了一种基于 AirSim 的仿真框架，实现了有效的并行训练、分散式训练和大规模代理训练，从而在机器人的视觉四轴导航中实现了学习时间从 3.9 小时降低到 11 分钟的优化。

    Sep, 2022