Escenarios y robótica: rutas del papel al código

En esta página

Las 60 herramientas · Como contribuir

Estas son rutas de construcción investigadas por agentes. La línea de ejecución informa el trabajo acotado realmente realizado; la sección de comparación define lo que queda antes de reclamar un resultado publicado. La revisión científica humana está pendiente.

abrirusd#

OpenUSD — ¿Puede una escena de robot asociada al papel preservar el modelo y los metadatos del experimento que varían en el tiempo a través de USD?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: medio.

Papel para openusd#

Mayank Mittal et al. (2023). Orbit: A Unified Simulation Framework for Interactive Robot Learning Environments. 10.1109/LRA.2023.3270034.

Tipo de publicación: artículo_revista. Metadatos primarios. Verificación de metadatos: confirmada. Acceso a texto completo: metadatos Live Crossref actualizados; Arquitectura del manuscrito abierto inspeccionado en laboratorio previo.

Objetivo en el periódico: arquitectura de escena USD; El actual sucesor del activo Cartpole USD es una adaptación, no el archivo del experimento de 2023.

Código y entradas para openusd.#

Artefacto o fuente ascendente. Isaac Lab es el sucesor de Orbit; La fuente inspeccionada carga Cartpole/cartpole.usd a través de UsdFileCfg. El USD apoya el intercambio de escenas; PhysX resuelve la dinámica.

Fuente inspeccionada: si. Árbitro: v2.2.0. Comprometerse: 46dff135f44683f031edf346e544fcfd8456b2bb.

Archivos: fuente/isaaclab_assets/isaaclab_assets/robots/cartpole.py; fuente/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py

Términos: Fuente de cláusula BSD-3; términos separados de recursos y tiempo de ejecución de NVIDIA

Entorno y computación: Isaac Lab v2.2.0 con Isaac Sim 5.0.0 compatible; núcleo usd independiente para inspección CPU para inspección USD; GPU NVIDIA para Isaac simulation acoplado.

Entradas: Activo Cartpole USD referenciado por configuración ascendente; preservar los hashes de dependencia resueltos y la configuración del simulador.

Acceso a datos: Fuente pública; Los activos del robot y el tiempo de ejecución tienen términos separados.

Construir y comparar openusd#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Proposed: fetch the configured Cartpole USD asset through the documented Isaac asset endpoint and retain a local dependency manifest.
  2. Proposed: use pxr.Usd.Stage.Open(local_asset), inspect articulation/physics schemas and reference dependencies, and compare attributes before/after export.

Resultados esperados: Escena USD editable, manifiesto de dependencia, comparación de atributos de origen a exportación.

Comparación con el artículo: Verifique que se conserven las rutas primarias compuestas, las unidades, los nombres conjuntos y los atributos físicos. No se afirma ningún resultado numérico en papel.

Resultado de la ejecución: Sin reclamo de ejecución; Los comandos fueron inspeccionados en sentido ascendente o marcados explícitamente como propuestos.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: La versión original del experimento Orbit no coincide; No se intentó la recuperación de activos locales en USD.

Próxima acción: Desarrolle el ejercicio de manifiesto de escena junto al ejemplo existente de resultados de batería en USD.

Brechas: La versión original del experimento Orbit no coincide; No se intentó la recuperación de activos locales en USD.

Fuentes para openusd#

licuadora#

Blender — ¿Podemos regenerar vídeos sintéticos MOVi-A y sus anotaciones sobre el terreno?

Ruta: Candidato a resultado en papel. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

papel para licuadora#

Klaus Greff et al. (2022). Kubric: A scalable dataset generator. arXiv:2203.03570v1.

Tipo de publicación: conferencia_papel. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: HTML manuscrito abierto de CVPR 2022 inspeccionado

Objetivo en el periódico: Sección 4.1 y Figura 5, Propiedades de generación de escenas de MOVi-A; Los resultados de aprendizaje de la Tabla 3 requieren una reproducción de entrenamiento separada.

Código y entradas para blender.#

Artefacto o fuente ascendente. Los autores identifican explícitamente a MOVi como una contribución al conjunto de datos de su artículo CVPR; Blender renderiza y simula PyBullet.

Fuente inspeccionada: si. Árbitro: principal durante la inspección. Comprometerse: 61f2422c84bab75006df33c6989e0b483db3ccfe.

Archivos: desafíos/movi/README.md; desafíos/movi/movi_ab_worker.py; desafíos/movi/movi_a.py

Términos: Kubric Apache-2.0; Blender GPL; inspeccionar los términos del objeto/material empaquetado

Entorno y computación: Autores imagen kubricdockerhub/kubruntu; documentos ascendentes Blender 2.93. Resolver/fijar resumen de imagen antes de la reproducción de producción. Es posible renderizar por CPU para una escena; La representación completa del conjunto de datos es costosa.

Entradas: Conjunto de objetos, fondo y cámara estilo CLEVR; Inicialmente, una semilla de escena fija y luego coincide con la configuración del generador del conjunto de datos.

Acceso a datos: Código de autores públicos y depósito de conjuntos de datos públicos; conservar el manifiesto de activos y los términos.

Construir y comparar licuadora#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Upstream README: git clone https://github.com/google-research/kubric.git
  2. Proposed pin: git checkout 61f2422c84bab75006df33c6989e0b483db3ccfe
  3. Upstream MOVi-A command: docker run --rm --interactive --user $(id -u):$(id -g) --volume "$(pwd):/kubric" kubricdockerhub/kubruntu /usr/bin/python3 challenges/movi/movi_ab_worker.py --objects_set=clevr --background=clevr --camera=clevr

Resultados esperados: Marcos RGB, segmentación de instancias, profundidad, flujo óptico, metadatos de escena y escena guardada según la configuración del trabajador.

Comparación con el artículo: Las propiedades de diseño del conjunto de datos PublishedMOVi-A coinciden; Se aprobaron todas las comprobaciones numéricas/de diseño. Los píxeles de figuras originales, los bytes de activos originales y las puntuaciones de aprendizaje de Table3 están fuera de esta comparación.

Resultado de la ejecución: El trabajador autor de la fecha del artículo ejecutó hasta su finalización en la CPU: 24 fotogramas, 256 × 256,7 objetos y todas las anotaciones/estados nativos renderizados. Pasaron nueve controles de diseño; La segunda escena tiene metadatos de instancia idénticos y hashes 24/24RGBA.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: No se han establecido 2022 bytes de activos exactos ni bloqueo de dependencia original completo; No se intentó realizar el benchmark de entrenamiento SAVi/SIMONeTable3.

Próxima acción: Revisión humana de la guía de generación de conjuntos de datos; Haga coincidir los conjuntos de archivos y el protocolo de entrenamiento de modelos antes de reproducir la Tabla 3.

Brechas: No se han establecido 2022 bytes de activos exactos ni bloqueo de dependencia original completo; No se intentó realizar el benchmark de entrenamiento SAVi/SIMONeTable3.

Fuentes para licuadora#

isaacsim#

Isaac Sim — ¿Puede el marco publicado entrenar una política de control clásica basada en la física?

Ruta: Ejemplo de documento de software. Ejecución: No correr. Confianza de la fuente: medio.

papel para isaacsim#

NVIDIA; Mayank Mittal et al. (2025). Isaac Lab: un marco de simulación acelerado por GPU para el aprendizaje de robots multimodal. arXiv:2511.04831v1.

Tipo de publicación: preimpresión. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: HTML abierto de preimpresión inspeccionado; publicación más allá de la preimpresión no establecida

Objetivo en el periódico: Sección 3.7.3 entornos Cartpole clásicos; Sección 4.1 Definición de rendimiento. Esta ruta no reproduce cifras de rendimiento de hardware.

Código y entradas para isaacsim#

Artefacto o fuente ascendente. El artículo vincula directamente el marco de este autor. La versión 2.2.0 inspeccionada es una línea de base respaldada concreta; La correspondencia con el compromiso de referencia en papel no está establecida.

Fuente inspeccionada: si. Árbitro: v2.2.0. Comprometerse: 46dff135f44683f031edf346e544fcfd8456b2bb.

Archivos: fuente/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py; fuente/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py; scripts/reinforcement_learning/rsl_rl/train.py; docs/source/overview/reinforcement-learning/rl_existing_scripts.rst

Términos: Isaac Lab Núcleo de cláusula BSD-3; Isaac Sim fuente Apache-2.0; términos separados de tiempo de ejecución/activos

Entorno y computación: Isaac Lab v2.2.0; Isaac Sim 5.0.0 y GPU/controlador NVIDIA compatible; Envoltorio RSL-RL. Tiempo de ejecución de GPU NVIDIA; no se intentó ningún entrenamiento a escala de hardware.

Entradas: Isaac-Cartpole-Direct-v0, semilla explícita y número registrado de entornos; tarea dt=1/120 sy diezmado=2 en la configuración inspeccionada.

Acceso a datos: Fuente pública; activos de robots de red y términos de tiempo de ejecución de NVIDIA.

Construir y comparar isaacsim#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Proposed pin: git checkout 46dff135f44683f031edf346e544fcfd8456b2bb
  2. Upstream wrapper installation route: ./isaaclab.sh -i rsl_rl
  3. Proposed task selection using inspected train entry point: ./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/train.py --task Isaac-Cartpole-Direct-v0 --num_envs 64 --seed 42 --headless

Resultados esperados: Configuración de capacitación, registros y puntos de control de políticas; episodios deterministas evaluation; Manifiesto de escena USD opcional.

Comparación con el artículo: Compare múltiples curvas de duración de episodio/recompensa de la misma semilla y de diferentes semillas. Una ejecución de enseñanza en 64 entornos no es el experimento de rendimiento del papel; Hacer coincidir la Sección 4.1 requiere una tarea exacta, GPU, recuento de entorno y definición de tiempo.

Resultado de la ejecución: Sin reclamo de ejecución; Los comandos fueron inspeccionados en sentido ascendente o marcados explícitamente como propuestos.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: No se ha verificado ningún tiempo de ejecución de GPU compatible local; revisión de referencia en papel/hardware no coincidente.

Próxima acción: Proporcione un ejecutor de GPU aprobado, fije el entorno de papel y luego ejecute un pequeño ciclo completo de capacitación/evaluation.

Brechas: No se ha verificado ningún tiempo de ejecución de GPU compatible local; revisión de referencia en papel/hardware no coincidente.

Fuentes de isaacsim#

isaaclab#

Isaac Lab — ¿Podemos entrenar, guardar y evaluar de manera reproducible una política Cartpole asociada al papel?

Ruta: Ejemplo de documento de software. Ejecución: No correr. Confianza de la fuente: medio.

papel para isaaclab#

NVIDIA; Mayank Mittal et al. (2025). Isaac Lab: un marco de simulación acelerado por GPU para el aprendizaje de robots multimodal. arXiv:2511.04831v1.

Tipo de publicación: preimpresión. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: HTML abierto de preimpresión inspeccionado; publicación más allá de la preimpresión no establecida

Objetivo en el periódico: Sección 3.7.3 entornos Cartpole clásicos; Sección 4.1 Definición de rendimiento. Esta ruta no reproduce cifras de rendimiento de hardware.

Código y entradas para isaaclab#

Artefacto o fuente ascendente. El artículo vincula directamente el marco de este autor. La versión 2.2.0 inspeccionada es una línea de base respaldada concreta; La correspondencia con el compromiso de referencia en papel no está establecida.

Fuente inspeccionada: si. Árbitro: v2.2.0. Comprometerse: 46dff135f44683f031edf346e544fcfd8456b2bb.

Archivos: fuente/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py; fuente/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py; scripts/reinforcement_learning/rsl_rl/train.py; docs/source/overview/reinforcement-learning/rl_existing_scripts.rst

Términos: Isaac Lab Núcleo de cláusula BSD-3; Isaac Sim fuente Apache-2.0; términos separados de tiempo de ejecución/activos

Entorno y computación: Isaac Lab v2.2.0; Isaac Sim 5.0.0 y GPU/controlador NVIDIA compatible; Envoltorio RSL-RL. Tiempo de ejecución de GPU NVIDIA; no se intentó ningún entrenamiento a escala de hardware.

Entradas: Isaac-Cartpole-Direct-v0, semilla explícita y número registrado de entornos; tarea dt=1/120 sy diezmado=2 en la configuración inspeccionada.

Acceso a datos: Fuente pública; activos de robots de red y términos de tiempo de ejecución de NVIDIA.

Construir y comparar isaaclab#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Proposed pin: git checkout 46dff135f44683f031edf346e544fcfd8456b2bb
  2. Upstream wrapper installation route: ./isaaclab.sh -i rsl_rl
  3. Proposed task selection using inspected train entry point: ./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/train.py --task Isaac-Cartpole-Direct-v0 --num_envs 64 --seed 42 --headless

Resultados esperados: Configuración de capacitación, registros y puntos de control de políticas; episodios deterministas evaluation; Manifiesto de escena USD opcional.

Comparación con el artículo: Compare múltiples curvas de duración de episodio/recompensa de la misma semilla y de diferentes semillas. Una ejecución de enseñanza en 64 entornos no es el experimento de rendimiento del papel; Hacer coincidir la Sección 4.1 requiere una tarea exacta, GPU, recuento de entorno y definición de tiempo.

Resultado de la ejecución: Sin reclamo de ejecución; Los comandos fueron inspeccionados en sentido ascendente o marcados explícitamente como propuestos.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: No se ha verificado ningún tiempo de ejecución de GPU compatible local; revisión de referencia en papel/hardware no coincidente.

Próxima acción: Proporcione un ejecutor de GPU aprobado, fije el entorno de papel y luego ejecute un pequeño ciclo completo de capacitación/evaluation.

Brechas: No se ha verificado ningún tiempo de ejecución de GPU compatible local; revisión de referencia en papel/hardware no coincidente.

Fuentes de isaaclab#

mujoco#

MuJoCo - ¿Podemos ejecutar el entorno Cartpole en papel y reproducir su ejemplo explícito de cuaternión?

Ruta: Ejemplo de documento de software. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

papel para mujoco#

Yuval Tassa et al. (2018). Suite de control DeepMind. arXiv:1801.00690v1.

Tipo de publicación: preimpresión. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: HTML del manuscrito abierto inspeccionado

Objetivo en el periódico: Sección 4 suite.load Ejemplo de episodio de swingup y reinicio/paso de Cartpole; Sección 5 Ejemplo de cuaternión a matriz.

Código y entradas para mujoco.#

Artefacto o fuente ascendente. Paper lanza explícitamente DeepMind Control Suite, con tecnología MuJoCo. El paquete moderno difiere del motor 2018.

Fuente inspeccionada: si. Árbitro: principal durante la inspección. Comprometerse: d7e52e3602a555df6cc20cc928ea5b41e9920158.

Archivos: dm_control/suite/cartpole.py; dm_control/suite/cartpole.xml; LÉAME.md

Términos: Apache-2.0; MuJoCo Apache-2.0

Entorno y computación: Python aislado 3.12; control-dm==1.0.52; congelar todas las dependencias MuJoCo resueltas. UPC; omita la representación para evitar la dependencia de la visualización.

Entradas: Cartpole de papel abatible; semilla=42 para entorno y generador de acción; cuaternión (0,5,0,5,0,5,0,5).

Acceso a datos: Código público y activos MJCF agrupados.

Construir y comparar mujoco#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Upstream installation: python -m pip install dm-control==1.0.52
  2. Paper API route: from dm_control import suite; env = suite.load(domain_name="cartpole", task_name="swingup"); env.reset(); env.step(action)
  3. Proposed modern binding for paper Section 5: mujoco.mju_quat2Mat(matrix, quaternion)

Resultados esperados: Una trayectoria y resumen completos del episodio; matriz de cuaterniones en comparación con la matriz de papel impresa explícitamente.

Comparación con el artículo: La matriz del papel es [[0,0,1],[1,0,0],[0,1,0]]. Verifique exactamente con la tolerancia 1e-12; ejecute el ciclo del episodio en papel y verifique estados/recompensas finitos. Estas comprobaciones no reproducen las curvas de rendimiento de los algoritmos de aprendizaje.

Resultado de la ejecución: Moderno dm-control 1.0.52: 1000 pasos de movimiento de Cartpole en 9,999999999999831 segundos simulados; Dos episodios preseleccionados exactamente idénticos. Matriz de cuaterniones de la Sección 5 del artículo coincidente con error cero (tolerancia absoluta elegida 1e-12). Se trata de ejecución de ejemplos de software en papel, no de reproducción de puntos de referencia de aprendizaje.

Pruebas de ejecución: Ejecutar recibo; Salida numérica; Salida numérica

Bloqueadores: El motor/paquete moderno difiere del 2018; No se intentó el punto de referencia de aprendizaje original.

Próxima acción: Ejecute y conserve CSV del episodio completo, bloqueo de paquetes, comparación de matrices y hashes de origen y salida.

Brechas: El motor/paquete moderno difiere del 2018; No se intentó el punto de referencia de aprendizaje original.

Fuentes de mujoco#

gz-sim#

Gazebo — ¿Los experimentos aislados de PPO con la misma semilla producen puntos de control y curvas evaluation idénticos?

Ruta: Candidato a resultado en papel. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

Papel para gz-sim#

Amal Dev Haridevan; Junjie Kang; Jinjun Shan (2026). GzDRL: Reproducible and Scalable Deep Reinforcement Learning with Gazebo. arXiv:2609.13243v1.

Tipo de publicación: preimpresión. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: HTML abierto de preimpresión inspeccionado; manuscrito dice enviado a IEEE, publicación no establecida

Objetivo en el periódico: Sección V-B, Figura 6, Tabla II: reproducibilidad de PPO de la misma semilla y de diferentes semillas aisladas mediante proceso.

Código y entradas para gz-sim#

Artefacto o fuente ascendente. Artefacto exacto del artículo del autor, artefacto de investigación explícitamente etiquetado; El papel vincula el mismo repositorio.

Fuente inspeccionada: si. Árbitro: CABEZA en la inspección. Comprometerse: 3e5c5f9a62c1160b3b2889e6d34d794a5361e178.

Archivos: experimentos_paper/reproducability_validation/README.md; experimentos_paper/reproducability_validation/config.json; experiments_paper/reproducability_validation/run_experiment.py; experimentos_paper/reproducability_validation/verify_determinism.py

Términos: MIT; Gazebo/avisos de dependencia separados

Entorno y computación: Requisitos previos de compilación de Gazebo/DRLServer C++ ascendente más Python RL adicional; compilador congelado, versiones Gazebo y SB3. Física de CPU y PPO; 10 carreras de entrenamiento completo. Se debe registrar el hardware de papel para las declaraciones de rendimiento.

Entradas: Configuración del autor: 5 ejecuciones del mismo valor inicial con valor inicial 42; semillas diferentes {1,5,25,42,125}; ocho ambientes; 500.000 pasos de tiempo; puntos de control cada 50.000; 20 episodios deterministas evaluation.

Acceso a datos: Código público y configuración incluida; no se indican datos privados.

Construir y comparar gz-sim#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Upstream installation, from repository root after native build: python -m pip install -e '.[rl]'
  2. cd experiments_paper/reproducability_validation
  3. python run_experiment.py

Resultados esperados: resultados/determinismo_check.json; punto de control por ejecución/datos evaluation; análisis CSV, gráficos, tabla LaTeX y manifiesto de configuración/máquina.

Comparación con el artículo: El determinismo de la misma semilla está respaldado por la ejecución completa del código de autor y el hash de parámetros independiente. No se reproduce la declaración final numérica publicada; No se inventa ninguna tolerancia. El bloqueo histórico del paquete/compilador no está establecido y esta compilación portátil utiliza Gazebo10.6/GCC15 más un parche mecánico de desambiguación del constructor. No se ejecutó la hilera de semillas diferentes. Pendiente de revisión científica humana.

Resultado de la ejecución: Se completaron las 5 ejecuciones de entrenamiento completas con la misma semilla, 500 000 pasos solicitados y 1200evaluation. Se pasan las comprobaciones de identidad de parámetros de verificación previa del autor y de 12 puntos de control independientes; finalreturn16.53217 difiere del paper18.43.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: Declaración final del artículo 18.43 no reproducida (actual 16.53217); bloqueo del paquete/compilador original y versión exacta del artefacto del papel no establecida.; La fila TableIIrownot de semilla diferente no se ejecuta.

Próxima acción: Revisar las diferencias nativas entre tareas, configuraciones y entornos con los autores de los artículos; reproduzca la partitura original solo después de que se resuelva la procedencia exacta del software/configuración.

Brechas: Declaración final del artículo 18.43 no reproducida (actual 16.53217); bloqueo del paquete/compilador original y versión exacta del artefacto del papel no establecida.; La fila TableIIrownot de semilla diferente no se ejecuta.

Fuentes para gz-sim#

webbots#

Webots — ¿Puede un Cartpole Webots aprender a equilibrarse a través de la interfaz de papel de Deepbots?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: medio.

Papel para webbots#

Manos Kirtas; Konstantinos Tsampazis; Nikolaos Passalis; Anastasios Tefas (2020). Deepbots: un marco de aprendizaje por refuerzo profundo para robótica basado en Webots. 10.1007/978-3-030-49186-4_6.

Tipo de publicación: conferencia_papel. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: texto de búsqueda de artículos de PMC y documentos del autor inspeccionados; La apertura directa de PMC tuvo problemas de acceso.

Objetivo en el periódico: Casos de uso de la Sección 4 y ejemplos de código Cartpole; La configuración exacta de la curva de aprendizaje publicada requiere una comparación del texto completo.

Código y entradas para webots.#

Artefacto o fuente ascendente. La documentación oficial de Deepbots vincula a deepworlds como su repositorio de ejemplo; Los ejemplos actuales implementan el marco del autor, pero no son un artefacto anclado en 2020.

Fuente inspeccionada: si. Árbitro: CABEZA en la inspección. Comprometerse: 4f21e555216750a4aafb84baad261aeda7cb1f74.

Archivos: ejemplos/cartpole/README.md; ejemplos/cartpole/cartpole_discrete/worlds/cartpole_world_robot_supervisor.wbt; ejemplos/cartpole/cartpole_discrete/controllers/robot_supervisor_manager/PPO_runner.py

Términos: Revise la licencia de deepworlds/deepbots y los avisos de activos Webots antes de copiar el código; Webots Apache-2.0

Entorno y computación: Webots más los requisitos coincidentes de Python deepbots/PyTorch/Gym del ejemplo elegido. CPU simulation y pequeña red neuronal; Se requiere el tiempo de ejecución nativo Webots.

Entradas: Mundo Cartpole de acción discreta, esquema de robot-supervisor y agente PPO; conservar las semillas, la duración de los episodios y restablecer la configuración.

Acceso a datos: Código de autor público y mundo de robots; ningún conjunto de datos privados.

Construir y comparar webots#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Upstream concrete route: install the selected example requirements, open examples/cartpole/cartpole_discrete/worlds/cartpole_world_robot_supervisor.wbt in Webots, and run the supervisor PPO controller.
  2. Proposed automation: record environment/controller versions, log episode reward and evaluate a frozen checkpoint over fixed-seed episodes.

Resultados esperados: Trama de recompensa del episodio y agente capacitado como se ilustra en el archivo README de los autores; conservar políticas y registros por episodio.

Comparación con el artículo: Compare con el resultado del Cartpole de la Sección 4 en papel después de recuperar su configuración original; El archivo README RewardsPlot.png actual es un cliente potencial, no un objetivo numérico en papel establecido.

Resultado de la ejecución: Sin reclamo de ejecución; Los comandos fueron inspeccionados en sentido ascendente o marcados explícitamente como propuestos.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: Las versiones históricas de Deepbots/Webots/Gym no coinciden; curva de papel no digitalizada; tiempo de ejecución nativo no disponible.

Próxima acción: Recupere el texto completo a través de una ruta legítima y asigne el mundo actual al caso de uso en papel antes de aceptar un objetivo de reproducción.

Brechas: Las versiones históricas de Deepbots/Webots/Gym no coinciden; curva de papel no digitalizada; tiempo de ejecución nativo no disponible.

Fuentes de webbots#

viñeta3#

Bullet / PyBullet — ¿Se pueden reproducir los controladores Minitaur al trote y al galope liberados?

Ruta: Candidato a resultado en papel. Ejecución: Ejemplo ejecutado. Confianza de la fuente: alto.

Papel para bala 3#

Jie Tan; Tingnan Zhang; Erwin Coumans; Atil Iscen; Yunfei Bai; Danijar Hafner; Steven Bohez; Vincent Vanhoucke (2018). Sim-to-Real: Learning Agile Locomotion For Quadruped Robots. arXiv:1804.10332v2.

Tipo de publicación: conferencia_papel. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: resumen abierto y entorno de autor README inspeccionado; sección experimental detallada no auditada

Objetivo en el periódico: Políticas de trote y galope de papel; Los autores README identifican explícitamente los dos entornos exactos utilizados.

Código y entradas para la viñeta 3.#

Artefacto o fuente ascendente. El autor README afirma explícitamente que estos dos entornos se utilizaron en el artículo y vincula ejemplos de PPO previamente capacitados.

Fuente inspeccionada: si. Árbitro: maestro en la inspección. Comprometerse: d3afe76132fc76b0f9b2359cbaef47a3766e7fbb.

Archivos: ejemplos/pybullet/gym/pybullet_envs/minitaur/envs/README.md; ejemplos/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_reactive_env.py; ejemplos/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_trotting_env.py; ejemplos/pybullet/gym/pybullet_data/policies/ppo/minitaur_trotting_env/config.yaml

Términos: Núcleo Zlib; avisos de dependencia de ejemplo/modelo/punto de control separados

Entorno y computación: Entorno PPO histórico estilo TensorFlow-1, Gym, ruamel.yaml y PyBullet compatible; inspeccionar las importaciones y resolver las versiones originales antes de la instalación. Es posible reproducir la política de CPU con dependencias compatibles con legados; El entrenamiento y las pruebas físicas están separados.

Entradas: Minitaur URDF incluido, punto de control/configuración PPO y configuración de motor de papel/latencia/aleatorización.

Acceso a datos: Fuente pública, puntos de control agrupados y modelo; revisar avisos de activos individuales.

Construir y comparar viñeta 3#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Upstream README: pip install gym; pip install ruamel.yaml
  2. Upstream, from example directory with dependencies available: python minitaur_reactive_env_example.py
  3. Upstream: python minitaur_trotting_env_example.py

Resultados esperados: Implementaciones de políticas, estados/acciones de robots y trayectorias de marcha; Archive registros sin procesar y hashes de puntos de control exactos.

Comparación con el artículo: Las políticas publicadas se ejecutan, pero las velocidades simulation publicadas no se reproducen mediante métodos/puntos de control coincidentes. El trote significa 0,9215 m/s frente al papel, aproximadamente 0,50; galope significa 1.3084 con SD0.5209 y solo 2/5 completo. Sin reclamo físico de simulación a real.

Resultado de la ejecución: El autor repetido congeló las políticas de PPO por cinco semillas por marcha; Se conservan todos los rastros numéricos.

Pruebas de ejecución: Intento de código de autor; Ejecutar registro

Bloqueadores: Los anchos de política de la Tabla II publicada/selección de puntos de control no coinciden; revisión de física nativa no 2018; sin robot físico evaluation.

Próxima acción: Recuperar el punto de control/entorno específico del papel; acordar el estimador de velocidad y la tolerancia, luego comparar con episodios repetidos.

Brechas: Los anchos de política de la Tabla II publicada/selección de puntos de control no coinciden; revisión de física nativa no 2018; sin robot físico evaluation.

Fuentes de la viñeta 3#

crono#

Project Chrono — ¿Cómo afectan las entradas de dirección y terreno a un modelo HMMWV basado en plantillas?

Ruta: Ejemplo de documento de software. Ejecución: No correr. Confianza de la fuente: medio.

Papel para crono#

Radu Serban; Michael Taylor; Dan Negrut; Alessandro Tasora (2019). Chrono::Vehicle: modelado de vehículos terrestres basado en plantillas y simulation. 10.1504/IJVP.2019.097096.

Tipo de publicación: artículo_revista. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: resumen del editor y metadatos inspeccionados; texto completo no inspeccionado

Objetivo en el periódico: Demostración de arquitectura de software y modelado de vehículos terrestres; Identificación exacta de la figura/modelo en papel pendiente del texto completo.

Código y entradas para crono.#

Artefacto o fuente ascendente. El ejemplo oficial actual de HMMWV es de los autores de Chrono y utiliza Chrono::Vehicle, el módulo descrito en el artículo. No está establecido como el experimento exacto de 2019.

Fuente inspeccionada: si. Árbitro: principal durante la inspección. Comprometerse: c2865ec31e5913838898bf9c13b1bba66804db3e.

Archivos: src/demos/python/vehicle/demo_VEH_HMMWV.py

Términos: Código de cláusula BSD-3; avisos de modelo/datos separados

Entorno y computación: PyChrono con módulos de vehículo e Irrlicht, que coinciden con los datos del vehículo suministrados; Prefiera un entorno binario compatible en lugar de reconstruir todos los módulos. Dinámica multicuerpo de CPU; soporte de visualización para la demostración de Irrlicht sin modificar.

Entradas: Upstream HMMWV_Configuración completa, de terreno, de conductor y de neumáticos en demostración; reemplace el controlador interactivo con una entrada determinista guardada solo como una adaptación documentada.

Acceso a datos: Código de modelo público y datos del vehículo incluidos.

Construir y comparar crono#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Proposed from a matching PyChrono environment: python src/demos/python/vehicle/demo_VEH_HMMWV.py

Resultados esperados: Demostración interactiva del vehículo; Para mayor reproducibilidad, agregue la posición registrada del vehículo, la velocidad, la entrada de dirección y la configuración del modelo.

Comparación con el artículo: Primero verifique el estado finito y la repetibilidad bajo la entrada registrada del controlador. Identifique la figura del papel y la configuración de malla/neumático/terreno antes de comparar las trayectorias publicadas o las curvas de respuesta.

Resultado de la ejecución: Sin reclamo de ejecución; Los comandos fueron inspeccionados en sentido ascendente o marcados explícitamente como propuestos.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: Artículo completo y modelo/respuesta exacta publicada no inspeccionados; La demostración es interactiva y la API actual difiere de la de 2019.

Próxima acción: Obtenga el manuscrito del autor de la lista oficial de documentos técnicos de Chrono, extraiga una figura objetivo y luego elija la versión del modelo correspondiente.

Brechas: Artículo completo y modelo/respuesta exacta publicada no inspeccionados; La demostración es interactiva y la API actual difiere de la de 2019.

Fuentes de crono#

sofá#

SOFA — ¿Cómo dobla el desplazamiento del tendón un dedo blando de elementos finitos?

Ruta: Adaptación del modelo en papel. Ejecución: No correr. Confianza de la fuente: medio.

papel para sofá#

Eulalie Coevoet et al. (2017). Kit de herramientas de software para modelado, simulation y control de robots blandos.. 10.1080/01691864.2017.1395362.

Tipo de publicación: artículo_revista. Metadatos primarios. Verificación de metadatos: confirmada. Acceso al texto completo: resumen del editor y metadatos de publicación del autor inspeccionados; modelo completo/resultados no inspeccionados

Objetivo en el periódico: El robot blando de avance directo simulation se describe en el artículo; CableConstraint/Finger.py actual es un modelo de enseñanza asociado al autor, no una cifra exacta verificada.

Código y entradas para sofá.#

Artefacto o fuente ascendente. El artículo presenta el kit de herramientas basado en SOFA. La fuente oficial actual del complemento proporciona un dedo FEM accionado por cable; Las constantes y mallas históricas específicas del papel no están verificadas.

Fuente inspeccionada: si. Árbitro: maestro en la inspección. Comprometerse: 3dadbaff9f50b379bf1cc680b379b74810751ee0.

Archivos: ejemplos/component/constraint/CableConstraint/Finger.py; ejemplos/component/constraint/CableConstraint/FingerController.py; ejemplos/component/constraint/CableConstraint/mesh/finger.vtk

Términos: SoftRobots LGPL-3.0 según los metadatos de la licencia del repositorio en vivo; SOFA LGPL-2.1; dependencias separadas

Entorno y computación: SOFA con complementos SoftRobots y SofaPython3 correspondientes; conservar las versiones completas de componentes/complementos. CPU FEM; Complementos y tiempo de ejecución nativo SOFA; pantalla opcional.

Entradas: Malla para dedos agrupada; la fuente establece dt=0,01 y gravedad=[0,-9810,0] en unidades del modelo; inspeccionar y conservar las definiciones de material, restricciones y actuadores.

Acceso a datos: Fuente pública y malla suministrada; verificar los términos de redistribución de la malla.

Construir y comparar sofá.#

La siguiente secuencia contiene comandos ascendentes e instrucciones de configuración propuestas, tal como están etiquetadas. Aquí solo se ejecutaron los comandos identificados en la evidencia de ejecución; Inspeccione la fuente fijada y los requisitos previos antes de ejecutar.

  1. Proposed supported-runner route: runSofa examples/component/constraint/CableConstraint/Finger.py
  2. Proposed reproducibility adaptation: drive a saved tendon-displacement series and export tip displacement and solver residuals.

Resultados esperados: Escena de dedo deformado y, después de la instrumentación, series de desplazamiento versus actuación y registros de convergencia.

Comparación con el artículo: Compare la configuración del actuador/malla/material del papel y una curva de desviación específica después de obtener el texto completo. Una animación de flexión plausible o una resolución lineal convergente no establece la reproducción en papel.

Resultado de la ejecución: Sin reclamo de ejecución; Los comandos fueron inspeccionados en sentido ascendente o marcados explícitamente como propuestos.

Pruebas de ejecución: Ninguno registrado.

Bloqueadores: El modelo exacto de 2017, la malla, los parámetros del material y el objetivo numérico no coinciden; La pila de complementos nativos no está disponible.

Próxima acción: Recupere el manuscrito del autor legítimo, mapee un experimento de activación por cable directo y luego instrumente la malla y la carga exactas.

Brechas: El modelo exacto de 2017, la malla, los parámetros del material y el objetivo numérico no coinciden; La pila de complementos nativos no está disponible.

Fuentes para sofá#

Ver código fuente en GitHub