Rejouer les politiques de Minitaur publiées sur CPU
Tan et al. (2018), Sim-to-Real: Learning Agile Locomotion For Quadruped Robots, publiez leurs environnements de trot et de galop ainsi que leurs points de contrôle PPO dans Bullet. Cet exemple relit ces stratégies d'auteur avec un ancien environnement TensorFlow et enregistre chaque étape d'état/d'action.
Utilisez Python 3.7 avec TensorFlow 1.15.5, NumPy 1.18.5, PyBullet 3.2.5, Gym 0.17.3 et ruamel.yaml 0.16.13. Clone bulletphysics/bullet3 au d3afe76132fc76b0f9b2359cbaef47a3766e7fbb sous sources/bullet3. Appliquer le inclus bullet-compatibility.patch pour remplacer l'inexistant en amont tf importer le module avec le module TensorFlow 1. Gardez la source, les points de contrôle et leurs avis de licence en place. Courez python run_minitaur.py de ce répertoire exemple avec deux threads BLAS/TensorFlow.
L'adaptateur invoque le chargeur de configuration d'auteur et SimplePPOPolicy, restaure model.ckpt-14000000, désactive l'affichage et exécute les valeurs 0 à 4 pendant au maximum 1 000 étapes de contrôle chacune. Le pas de temps physique, le moteur et le modèle de latence restent dans l'environnement de l'auteur. Les fichiers CSV de sortie enregistrent l'heure simulation, la position de base, la récompense, l'observation et l'action. summary.json enregistre chaque épisode et la variabilité de la vitesse globale.
Cinq épisodes de trottage ont complété 1 000 étapes (six secondes simulées). La vitesse moyenne avant était de 0,921524 m/s (échantillon SD 0,035527). Deux des cinq épisodes de galopage terminés; La vitesse moyenne pour les cinq épisodes de longueur variable était de 1,308420 m/s (DS 0,520918). Les épisodes courts et les trajectoires bloquées restent dans le disque.
Rapports de la section VI A simulation vitesse de trottage d'environ 0,50 m/s et galopant 1,34 m/s. Notre estimateur moyen d'épisodes comprend le démarrage; le papier ne précise pas d'estimateur de vitesse équivalent. Plus important encore, les largeurs du réseau de points de contrôle libérés diffèrent de celles du tableau II sur papier : trotting (133, 100) versus (125, 89) et galoping (114, 45) versus (185, 95). Le PyBullet actuel diffère également du moteur historique. Ces résultats démontrent l'exécution et exposent une lacune de reproduction; ils n'établissent pas la vitesse du papier ou le transfert physique. L'examen scientifique humain est toujours en cours.
Télécharger les fichiers enregistrés#
- reactive-seed0.csv — trajectoire brute.
- reactive-seed1.csv — trajectoire brute.
- reactive-seed2.csv — trajectoire brute.
- reactive-seed3.csv — trajectoire brute.
- reactive-seed4.csv — trajectoire brute.
- summary.json — résumé de l'exécution globale.
- trotting-seed0.csv — trajectoire brute.
- trotting-seed1.csv — trajectoire brute.
- trotting-seed2.csv — trajectoire brute.
- trotting-seed3.csv — trajectoire brute.
- trotting-seed4.csv — trajectoire brute.
- trajectories.png — tracé des trajectoires simulées réelles.
- trajectories.svg — tracé des trajectoires simulées réelles.
- run_minitaur.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- compatibility.patch — le conducteur ou l'enregistrement d'environnement ou de source portable.
- requirements.txt — le conducteur ou l'enregistrement d'environnement ou de source portable.
- requirements-tested.txt — le conducteur ou l'enregistrement d'environnement ou de source portable.
- fetch-source.sh — le conducteur ou l'enregistrement d'environnement ou de source portable.
Enregistrement complet · Toutes les tentatives des candidats. Un examen scientifique humain est en cours.