Scènes et robotique : parcours papier-code

Sur cette page

Les 60 outils · Comment contribuer

Ce sont des routes de construction étudiées par des agents. La ligne d'exécution indique le travail limité effectivement accompli; la section de comparaison définit ce qui reste avant de réclamer un résultat publié. L'examen scientifique humain est en cours.

ouvert#

OpenUSD — Un robot associé au papier peut-il préserver le modèle et les métadonnées d'expériences variant dans le temps à travers l'USD?

Itinéraire: Adaptation du modèle papier. Exécution : Pas courir. Confiance des sources : moyenne.

Papier pour openusd#

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

Type de publication: article de journal. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : métadonnées Live Crossref actualisées ; un laboratoire préalable a inspecté l'architecture du manuscrit ouvert

Cible dans le document : Architecture de la scène USD; L'actif actuel de Cartpole USD est une adaptation, pas l'archive d'expérience de 2023.

Code et entrées pour openusd#

Artefact ou source en amont. Isaac Lab est le successeur d'Orbit ; la source inspectée charge Cartpole/cartpole.usd via UsdFileCfg. L'USD prend en charge l'échange de scènes ; PhysX résout la dynamique.

Source inspectée : Oui. Réf: v2.2.0. S'engager: 46dff135f44683f031edf346e544fcfd8456b2bb.

Fichiers & #160;: source/isaaclab_actifs/isaaclab_actifs/robots/cartpole.py; Source/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py

Termes : Source de la clause BSD-3 ; conditions d'exécution et d'actifs NVIDIA distinctes

Environnement et calcul: Isaac Lab v2.2.0 avec compatibilité Isaac Sim 5.0.0; un noyau usd autonome pour l'inspection CPU pour l'inspection USD; NVIDIA GPU pour Isaac couplé simulation.

Entrées: Actif Cartpole USD référencé par la configuration en amont ; préserver les hachages de dépendances résolus et les paramètres du simulateur.

Accès aux données: Source publique; les actifs des robots et les durées d'exécution comportent des termes distincts.

Construire et comparer openusd#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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.

Résultats escomptés : Scénario USD modifiable, manifeste de dépendance, comparaison d'attribut source-exportation.

Comparaison avec le document : Vérifier les chemins prim composés, les unités, les noms communs et les attributs physiques sont conservés. Aucun résultat numérique sur papier n'est revendiqué.

Résultat de l'exécution: Aucune demande d ' exécution; les commandes ont été inspectées en amont ou explicitement marquées proposées.

Preuve d'exécution : Aucun enregistrement.

Bloqueurs : La version originale de l'expérience Orbit n'a pas été adaptée; La récupération d'actifs locaux en USD n'a pas été tentée.

Action suivante: Développez l'exercice scene-manifest à côté de l'exemple de batterie-résultats-à-USD existant.

Lacunes: La version originale de l'expérience Orbit n'a pas été adaptée; La récupération d'actifs locaux en USD n'a pas été tentée.

Sources pour openusd#

Mélangeur#

Blender — Pouvons-nous régénérer les vidéos MOVi-A synthétiques et leurs annotations de vérité ?

Itinéraire: Candidat au résultat papier. Exécution : Exemple exécuté. Confiance des sources : haut.

Papier pour mélangeur#

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

Type de publication: document de _conférence. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : HTML du manuscrit Open CVPR 2022 inspecté

Cible dans le document : Section 4.1 et figure 5, propriétés de la génération de scènes MOVI-A; Les résultats d'apprentissage du tableau 3 nécessitent une reproduction séparée de la formation.

Code et entrées pour mélangeur#

Artefact ou source en amont. Les auteurs identifient explicitement MOVi comme une contribution à l'ensemble de données de leur article CVPR ; Rendus Blender et simulations PyBullet.

Source inspectée : Oui. Réf: L'inspection a lieu à l'intérieur du pays. S'engager: 61f2422c84bab75006df33c6989e0b483db3ccfe.

Fichiers & #160;: les défis/mobi/README.md; défis/movi/movi_ab_worker.py; défis/movi/movi_a.py

Termes : Cubric Apache-2.0; Blender GPL; Inspecter les termes d'objet/de matériau groupés

Environnement et calcul: Auteurs kubricdockerhub/kubruntu image; documents en amont Blender 2.93. Résoudre/pin image digérer avant la reproduction de la production. rendu CPU possible pour une scène; Le rendu complet de l'ensemble de données est coûteux.

Entrées: Ensemble d'objets, arrière-plan et caméra de style CLEVR ; une graine de scène fixe initialement, puis une correspondance avec les paramètres du générateur d'ensemble de données.

Accès aux données: Code des auteurs publics et ensemble de données publics; conserver le manifeste et les termes de l'actif.

Construire et comparer le mélangeur#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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

Résultats escomptés : Cadres RGB, segmentation d'instance, profondeur, flux optique, métadonnées de scène et scène sauvegardée tels que configurés par le travailleur.

Comparaison avec le document : Correspondance des propriétés de conception des ensembles de données MoVi-A; Tous les contrôles numériques/de conception ont été effectués. Les scores d'origine, d'originalassetbytes et d'apprentissageTable3 sont en dehors de cette comparaison.

Résultat de l'exécution: Le travailleur auteur de date papier a couru à l'achèvement sur CPU:24frames,256×256,7 objets et tous les annotations/états natifs rendus. Neuf contrôles de conception ont été effectués; seconde scène a des métadonnées d'instance identiques et 24/24RGBAhashes.

Preuve d'exécution : Tentative de code-auteur; Exécuter l'enregistrement

Bloqueurs : Exact2022assetoctets et completdependencylock original non établi; SAVi/SIMONeTableau3repère de formation non tenté.

Action suivante: Examen humain du guide sur la génération des ensembles de données; correspondre aux actifs archivés et au protocole de formation du modèle avant de reproduireTableau3.

Lacunes: Exact2022assetoctets et completdependencylock original non établi; SAVi/SIMONeTableau3repère de formation non tenté.

Sources pour mélangeur#

d'isoasim#

Isaac Sim — Le cadre publié peut-il former une politique de contrôle classique basée sur la physique?

Itinéraire: Exemple de papier logiciel. Exécution : Pas courir. Confiance des sources : moyenne.

Papier pour isaacsim#

NVIDIA; Mayank Mittal et al. (2025). Isaac Lab: Un cadre de simulation accéléré GPU pour l'apprentissage des robots multimodaux. arXiv :2511.04831v1.

Type de publication: Préimpression. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : HTML pré-imprimé ouvert inspecté ; publication au-delà de la prépublication non établie

Cible dans le document : Section 3.7.3 les environnements classiques de Cartpole; Section 4.1 Définition du débit. Cette route ne reproduit pas les chiffres du débit matériel.

Code et entrées pour isaacsim#

Artefact ou source en amont. L'article relie directement ce cadre d'auteur. Inspected v2.2.0 est une base de référence concrètement prise en charge ; la correspondance avec l’engagement de référence papier n’est pas établie.

Source inspectée : Oui. Réf: v2.2.0. S'engager: 46dff135f44683f031edf346e544fcfd8456b2bb.

Fichiers & #160;: Source/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py; source/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py; scripts/renforcement_learning/rsl_rl/train.py; docs/source/overview/renforcement-learning/rl_existant_scripts.rst

Termes : Isaac Lab BSD-3-Clause coeur; Isaac Sim source Apache-2.0; durée d'exécution/actifs termes séparés

Environnement et calcul: Isaac Lab v2.2.0; Isaac Sim 5.0.0 et NVIDIA GPU/driver supporté; Emballage RSL-RL. NVIDIA GPU temps d'exécution; aucune tentative d'entraînement à l'échelle matérielle.

Entrées: Isaac-Cartpole-Direct-v0, graines explicites et nombre enregistré d'environnements; tâche dt=1/120 s et décimation=2 dans config inspecté.

Accès aux données: Source publique; les actifs du robot réseau et les termes d'exécution NVIDIA.

Construire et comparer isaacsim#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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

Résultats escomptés : Configuration de la formation, registres et points de contrôle des politiques; déterministe evaluation épisodes; manifeste en option de la scène USD.

Comparaison avec le document : Comparer plusieurs courbes de la même graine et de la même graine/longueur de l'épisode. Un cours sur l'environnement de 64 n'est pas l'expérience de production de papier; La section 4.1 correspond à la tâche exacte, au GPU, au nombre d'environnements et à la définition du moment.

Résultat de l'exécution: Aucune demande d ' exécution; les commandes ont été inspectées en amont ou explicitement marquées proposées.

Preuve d'exécution : Aucun enregistrement.

Bloqueurs : Aucun essai GPU compatible local n'a été vérifié; révision/matériel de référence sur papier non assorti.

Action suivante: Fournir un coureur GPU approuvé, épingler l'environnement papier, puis exécuter une petite formation complète /evaluation le cycle.

Lacunes: Aucun essai GPU compatible local n'a été vérifié; révision/matériel de référence sur papier non assorti.

Sources pour isaacsim#

estaaclab#

Isaac Lab — Pouvons-nous former, sauvegarder et évaluer de manière reproductible une politique Cartpole associée au papier?

Itinéraire: Exemple de papier logiciel. Exécution : Pas courir. Confiance des sources : moyenne.

Papier pour isoaclab#

NVIDIA; Mayank Mittal et al. (2025). Isaac Lab: Un cadre de simulation accéléré GPU pour l'apprentissage des robots multimodaux. arXiv :2511.04831v1.

Type de publication: Préimpression. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : HTML pré-imprimé ouvert inspecté ; publication au-delà de la prépublication non établie

Cible dans le document : Section 3.7.3 les environnements classiques de Cartpole; Section 4.1 Définition du débit. Cette route ne reproduit pas les chiffres du débit matériel.

Code et entrées pour isaaclab#

Artefact ou source en amont. L'article relie directement ce cadre d'auteur. Inspected v2.2.0 est une base de référence concrètement prise en charge ; la correspondance avec l’engagement de référence papier n’est pas établie.

Source inspectée : Oui. Réf: v2.2.0. S'engager: 46dff135f44683f031edf346e544fcfd8456b2bb.

Fichiers & #160;: Source/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py; source/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py; scripts/renforcement_learning/rsl_rl/train.py; docs/source/overview/renforcement-learning/rl_existant_scripts.rst

Termes : Isaac Lab BSD-3-Clause coeur; Isaac Sim source Apache-2.0; durée d'exécution/actifs termes séparés

Environnement et calcul: Isaac Lab v2.2.0; Isaac Sim 5.0.0 et NVIDIA GPU/driver supporté; Emballage RSL-RL. NVIDIA GPU temps d'exécution; aucune tentative d'entraînement à l'échelle matérielle.

Entrées: Isaac-Cartpole-Direct-v0, graines explicites et nombre enregistré d'environnements; tâche dt=1/120 s et décimation=2 dans config inspecté.

Accès aux données: Source publique; les actifs du robot réseau et les termes d'exécution NVIDIA.

Construire et comparer isaaclab#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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

Résultats escomptés : Configuration de la formation, registres et points de contrôle des politiques; déterministe evaluation épisodes; manifeste en option de la scène USD.

Comparaison avec le document : Comparer plusieurs courbes de la même graine et de la même graine/longueur de l'épisode. Un cours sur l'environnement de 64 n'est pas l'expérience de production de papier; La section 4.1 correspond à la tâche exacte, au GPU, au nombre d'environnements et à la définition du moment.

Résultat de l'exécution: Aucune demande d ' exécution; les commandes ont été inspectées en amont ou explicitement marquées proposées.

Preuve d'exécution : Aucun enregistrement.

Bloqueurs : Aucun essai GPU compatible local n'a été vérifié; révision/matériel de référence sur papier non assorti.

Action suivante: Fournir un coureur GPU approuvé, épingler l'environnement papier, puis exécuter une petite formation complète /evaluation le cycle.

Lacunes: Aucun essai GPU compatible local n'a été vérifié; révision/matériel de référence sur papier non assorti.

Sources pour isaaclab#

mujoco#

MuJoCo — Pouvons-nous utiliser le papier Cartpole et reproduire son exemple explicite de quaternité?

Itinéraire: Exemple de papier logiciel. Exécution : Exemple exécuté. Confiance des sources : haut.

Papier pour mujoco#

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

Type de publication: Préimpression. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : HTML du manuscrit ouvert inspecté

Cible dans le document : Section 4 suite.load Exemple d'épisode de swingup et de réinitialisation et d'étape de Cartpole; Section 5 exemple de quaternion à matrice.

Code et entrées pour mujoco#

Artefact ou source en amont. Paper publie explicitement DeepMind Control Suite, optimisé par MuJoCo. L'ensemble moderne diffère du moteur 2018.

Source inspectée : Oui. Réf: L'inspection a lieu à l'intérieur du pays. S'engager: Le présent règlement entre en vigueur le jour suivant celui de sa publication au Journal officiel de l'Union européenne.

Fichiers & #160;: dm_control/suite/cartpole.py; dm_control/suite/cartpole.xml; README.md

Termes : Apache-2.0 ; MuJoCo Apache-2.0

Environnement et calcul: Python isolé 3.12; dm-control==1.0.52; geler tous les problèmes résolus MuJoCo les dépendances. CPU; omettre le rendu pour éviter la dépendance à l'affichage.

Entrées: le swing-up du carpôle de papier; semences=42 pour l'environnement et le générateur d'action; Quaternion (0,5,0,5,0,5,0,5).

Accès aux données: Code public et actifs groupés du FMCJ.

Construire et comparer mujoco#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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)

Résultats escomptés : une trajectoire et un résumé complets de l'épisode; la matrice de quaternion comparée à la matrice de papier imprimé explicitement.

Comparaison avec le document : La matrice de papier est [[0,0,1],[1,0,0],[0,1,0]]. Vérifier exactement avec la tolérance 1e-12; exécutez la boucle de l'épisode papier et vérifiez les états/récompenses finis. Ces contrôles ne reproduisent pas les courbes de performance apprentissage-algorithme.

Résultat de l'exécution: Moderne dm-control 1.0.52: 1000 étapes de basculement Cartpole sur 9,99999999999831 secondes simulées; deux épisodes ensemencés exactement identiques. Matrice de quaternion de la section 5 du papier assortie d'une erreur zéro (tolérance absolue choisie 1e-12). Il s'agit de l'exécution d'exemples de logiciels papier, et non de la reproduction de benchmark-apprentissage.

Preuve d'exécution : Exécuter le reçu; Sortie numérique; Sortie numérique

Bloqueurs : Le moteur/paquet moderne diffère de 2018; l'apprentissage initial n'a pas été tenté.

Action suivante: Exécuter et conserver l'épisode complet CSV, le verrouillage du paquet, la comparaison matricielle, la source et les hachages de sortie.

Lacunes: Le moteur/paquet moderne diffère de 2018; l'apprentissage initial n'a pas été tenté.

Sources pour mujoco#

(gz-sim)#

Gazebo — Les parcours de PPO de même grain isolés produisent des points de contrôle identiques et evaluation Des courbes ?

Itinéraire: Candidat au résultat papier. Exécution : Exemple exécuté. Confiance des sources : haut.

Papier pour gz-sim#

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

Type de publication: Préimpression. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : HTML pré-imprimé ouvert inspecté ; le manuscrit dit soumis à l'IEEE, publication non établie

Cible dans le document : Section V-B, figure 6, tableau II : reproductibilité du PPO isolée des graines identiques et des graines différentes.

Code et entrées pour gz-sim#

Artefact ou source en amont. Artefact de papier d'auteur exact, artefact de recherche explicitement étiqueté ; le papier lie le même référentiel.

Source inspectée : Oui. Réf: J'étais à l'inspection. S'engager: 3e5c5f9a62c1160b3b2889e6d34d794a5361e178.

Fichiers & #160;: expérimentations_paper/reproductibilité_validation/README.md; experiments_paper/reproductability_validation/config.json; experiences_paper/reproductability_validation/run_experiment.py; experiences_paper/reproductability_validation/vérify_determinism.py

Termes : MIT; Gazebo/ avis de dépendance séparés

Environnement et calcul: En amont Gazebo/DRLServer C++ construit des prérequis plus Python RL extra; compilateur gelé, Gazebo et les versions SB3. Physique du CPU et PPO; 10 parcours d'entraînement complets. Le matériel en papier doit être enregistré pour les réclamations de débit.

Entrées: Configuration de l'auteur : 5 exécutions de même graine avec la graine 42 ; différentes graines {1,5,25,42,125} ; huit environnements ; 500 000 pas de temps ; points de contrôle tous les 50 000 ; 20 épisodes déterministes evaluation.

Accès aux données: Code public et config groupé; aucune donnée privée n'est indiquée.

Construire et comparer gz-sim#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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

Résultats escomptés : résultats/determinism_check.json; point de contrôle par course/evaluation les données; analyse CSV, placettes, table LaTeX et manifeste machine/config.

Comparaison avec le document : Le déterminisme de la même graine est supporté par l'exécution complète du code auteur et le hachage indépendant des paramètres. Le rapport final numérique publié n ' est pas reproduit; aucune tolérance n'est inventée. Le verrouillage historique du paquet/compilateur n'est pas établi, et cette construction portable utilise Gazebo10.6/GCC15 plus un dispositif de décompression mécanique du constructeur. Une rangée de graines différentes n'a pas été lancée. Examen scientifique humain en cours.

Résultat de l'exécution: Terminé tous les 5cours complets de formation en même temps-semence500000-demanded-étape et1200evaluation des épisodes. Author preflight et indépendant12-checkpoint identity checks pass; retour final16.53217 diffère du papier18.43.

Preuve d'exécution : Tentative de code-auteur; Exécuter l'enregistrement

Bloqueurs : Document final-retour18.43non reproduit (16,53217); l'emballage d'origine/verrouillage du compilateur et la version exacte du papier n'est pas établie; Différentes grainesTableIIrown'est pas lancé.

Action suivante: Examiner les différences entre les tâches/config/environnement natifs et les auteurs de papier; reproduire la partition originale seulement après que le logiciel exact/province de configuration est résolu.

Lacunes: Document final-retour18.43non reproduit (16,53217); l'emballage d'origine/verrouillage du compilateur et la version exacte du papier n'est pas établie; Différentes grainesTableIIrown'est pas lancé.

Sources pour gz-sim#

webots#

Webots — Peut Webots Cartpole apprend l'équilibre à travers l'interface papier Deepbots ?

Itinéraire: Adaptation du modèle papier. Exécution : Pas courir. Confiance des sources : moyenne.

Papier pour les webots#

Manos Kirtas; Konstantinos Tsampazis; Nikolaos Passalis; Anastasios Tefas (2020). Deepbots: A Webots-Cadre d'apprentissage du renforcement profond pour la robotique. 10.1007/978-3-030-49186-4_6.

Type de publication: document de _conférence. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : texte de recherche d'articles PMC et documents d'auteur inspectés ; L'ouverture directe du PMC a été contestée.

Cible dans le document : Section 4 les cas d'utilisation et les exemples de code Cartpole; les paramètres exacts publiés d'apprentissage-courbe nécessitent une comparaison en texte intégral.

Code et entrées pour webots#

Artefact ou source en amont. La documentation officielle de Deepbots relie Deepworlds comme exemple de référentiel ; les exemples actuels implémentent le framework d'auteur mais ne sont pas un artefact 2020 épinglé.

Source inspectée : Oui. Réf: J'étais à l'inspection. S'engager: 4f21e555216750a4aafb84baad261aeda7cb1f74.

Fichiers & #160;: exemples/cartpole/README.md; exemples/cartpole/cartpole_discrete/worlds/cartpole_world_robot_supervisor.wbt; exemples/cartpole/cartpole_discrete/controllers/robot_supervisor_manager/PPO_runner.py

Termes : Consultez la licence de deepworlds/deepbots et Webots les avis d'actif avant la copie du code; Webots Apache-2.0

Environnement et calcul: Webots En plus de correspondre aux exigences Python deepbots/PyTorch/Gym à partir de l'exemple choisi. CPU simulation et un petit réseau neuronal; Webots temps d'exécution natif requis.

Entrées: Action discrète Cartpole world, robot-superviseur et agent PPO; conserver les graines, les longueurs des épisodes et réinitialiser les paramètres.

Accès aux données: le code de l'auteur public et le monde des robots; pas d'ensemble de données privées.

Construire et comparer des webots#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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.

Résultats escomptés : Épisode récompense complot et agent formé comme illustré dans les auteurs README; conserver la politique et les registres par épisode.

Comparaison avec le document : Comparer avec le papier Section 4 Résultat Cartpole après avoir récupéré ses paramètres d'origine; RewardPlot.png est une cible numérique en papier, et non une cible numérique en papier établie.

Résultat de l'exécution: Aucune demande d ' exécution; les commandes ont été inspectées en amont ou explicitement marquées proposées.

Preuve d'exécution : Aucun enregistrement.

Bloqueurs : Deepbots historiques/WebotsLes versions /Gym ne correspondent pas; courbe de papier non numérisée; native runtime indisponible.

Action suivante: Récupérer le texte complet via un itinéraire légitime et cartographier le monde actuel au cas d'utilisation du papier avant d'accepter une cible de reproduction.

Lacunes: Deepbots historiques/WebotsLes versions /Gym ne correspondent pas; courbe de papier non numérisée; native runtime indisponible.

Sources pour les webots#

balle 3#

Bullet / PyBullet — Peut-on rejouer les contrôleurs de trottage et de galopage Minitaur libérés?

Itinéraire: Candidat au résultat papier. Exécution : Exemple exécuté. Confiance des sources : haut.

Papier pour balle3#

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.

Type de publication: document de _conférence. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : résumé ouvert et environnement d'auteur README inspecté ; section expérimentale détaillée non auditée

Cible dans le document : les politiques de trottage et de galoping du papier; auteur README identifie explicitement les deux environnements exacts utilisés.

Code et entrées pour puce3#

Artefact ou source en amont. L'auteur README indique explicitement que ces deux environnements ont été utilisés dans l'article et relie des exemples PPO pré-entraînés.

Source inspectée : Oui. Réf: Le capitaine à l'inspection. S'engager: Il s'agit d'un programme de formation à l'intention des jeunes de moins de 18 ans.

Fichiers & #160;: exemples/pybullet/gym/pybullet_envs/minitaur/envs/README.md; exemples/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_reactive_env.py; exemples/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_trotting_env.py; exemples/pybullet/gym/pybullet_data/policies/ppo/minitaur_trotting_env/config.yaml

Termes : Noyau Zlib; différents avis de dépendance exemple/modèle/point de contrôle

Environnement et calcul: Historical TensorFlow-1-style environnement PPO, Gym, ruamel.yaml et compatible PyBullet; Inspecter les importations et résoudre les versions originales avant l'installation. la politique du CPU rejoue possible avec les dépendances compatibles avec l'héritage; l'entraînement et les tests physiques sont séparés.

Entrées: Minitaur URDF fourni, point de contrôle/configuration PPO et configuration du moteur papier/latence/randomisation.

Accès aux données: Source publique, points de contrôle groupés et modèle; examiner les avis d'actifs individuels.

Construisez et comparez la puce3#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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

Résultats escomptés : les déploiements politiques, les états/actions robotisés et les trajectoires de démarche; archiver les journaux bruts et les hashes de contrôle exacts.

Comparaison avec le document : Les politiques publiées sont exécutées, mais publiées simulation les vitesses ne sont pas reproduites par des méthodes/points de contrôle appariés. Moyenne de trot0,9215m/s par rapport au papier environ 0,50; moyenne de galop1,3084 avec SD0,5209 et seulement2/5 terminé. Pas d'allégation physique sim-to-réelle.

Résultat de l'exécution: L'auteur rejoué a gelé les politiques de PPO pour cinq graines par démarche; toutes les traces numériques conservées.

Preuve d'exécution : Tentative de code-auteur; Exécuter l'enregistrement

Bloqueurs : les largeurs de la politique du tableauII publiées/le choix des points de contrôle n'est pas assorti; révision physique native non2018; pas de robot physique evaluation.

Action suivante: Récupérer un point de contrôle/environnement spécifique au papier; d'accepter l'estimateur de vitesse et la tolérance, puis de comparer avec les épisodes répétés.

Lacunes: les largeurs de la politique du tableauII publiées/le choix des points de contrôle n'est pas assorti; révision physique native non2018; pas de robot physique evaluation.

Sources pour la puce3#

chrono#

Project Chrono — Comment la direction et les entrées de terrain affectent-elles un modèle HMMWV basé sur un modèle?

Itinéraire: Exemple de papier logiciel. Exécution : Pas courir. Confiance des sources : moyenne.

Papier pour chrono#

Radu Serban; Michael Taylor; Dan Negrut; Alessandro Tasora (2019). Chrono::Véhicule: modèle de véhicule au sol et simulation. 10.1504/IJVP.2019.097096.

Type de publication: article de journal. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : résumé de l'éditeur et métadonnées inspectés ; texte intégral non inspecté

Cible dans le document : l'architecture logicielle et la démonstration de la modélisation au sol; identification exacte de la figure ou du modèle en attendant le texte intégral.

Code et entrées pour chrono#

Artefact ou source en amont. L'exemple officiel HMMWV actuel provient des auteurs de Chrono et utilise Chrono::Vehicle, le module décrit dans l'article. Il ne s’agit pas exactement de l’expérience de 2019.

Source inspectée : Oui. Réf: L'inspection a lieu à l'intérieur du pays. S'engager: c2865ec31e5913838898bf9c13b1bba66804db3e.

Fichiers & #160;: src/demos/python/vehicle/demo_VEH_HMMWV.py

Termes : Code BSD-3-Clause ; avis de modèle/données séparés

Environnement et calcul: PyChrono avec les modules véhicule et Irrlicht, avec les données fournies sur le véhicule; préférer un environnement binaire supporté à la reconstruction de tous les modules. Dynamique du processeur multicorps; support d'affichage pour la démo Irrlicht non modifiée.

Entrées: En amont HMMWV_Full, terrain, pilote et des réglages de pneus dans la démo; remplacer le pilote interactif par une entrée déterministe sauvegardée uniquement en tant qu'adaptation documentée.

Accès aux données: Code de modèle public et données groupées sur les véhicules.

Construire et comparer le chrono#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

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

Résultats escomptés : Démonstration interactive du véhicule; pour la reproductibilité ajouter la position du véhicule enregistré, la vitesse, l'entrée de direction et la configuration du modèle.

Comparaison avec le document : Vérifier d'abord l'état fini et la répétabilité sous l'entrée du pilote enregistrée. Identifier la figure papier et les paramètres maillage/tire/terre avant de comparer les trajectoires publiées ou les courbes de réponse.

Résultat de l'exécution: Aucune demande d ' exécution; les commandes ont été inspectées en amont ou explicitement marquées proposées.

Preuve d'exécution : Aucun enregistrement.

Bloqueurs : Article complet et modèle/réponse exact publié non inspecté; démo est interactive et l'API actuelle diffère de 2019.

Action suivante: Obtenir le manuscrit de l'auteur de la liste officielle du livre blanc Chrono, extraire un chiffre cible, puis choisir sa version de modèle correspondante.

Lacunes: Article complet et modèle/réponse exact publié non inspecté; démo est interactive et l'API actuelle diffère de 2019.

Sources pour le chrono#

Canapé#

SOFA — Comment le déplacement du tendon incline - t - il un doigt souple à éléments finis?

Itinéraire: Adaptation du modèle papier. Exécution : Pas courir. Confiance des sources : moyenne.

Papier pour canapé#

Eulalie Coevoet et al. (2017). Outil logiciel pour la modélisation, simulation, et le contrôle des robots mous. 10.1080/01691864.2017.1395362.

Type de publication: article de journal. Métadonnées primaires. Vérification des métadonnées : confirmée. Accès au texte intégral : le résumé de l'éditeur et les métadonnées de la publication de l'auteur ont été inspectés ; modèle complet/résultats non inspectés

Cible dans le document : En avant directe soft-robot simulation décrit à l'article; CableConstraint/Finger.py est un modèle d'enseignement associé à l'auteur, pas un chiffre exact vérifié.

Code et entrées pour canapé#

Artefact ou source en amont. L'article présente la boîte à outils basée sur SOFA. La source officielle actuelle du plugin fournit un doigt FEM piloté par câble ; Le maillage historique et les constantes spécifiques au papier ne sont pas vérifiés.

Source inspectée : Oui. Réf: Le capitaine à l'inspection. S'engager: 3dadbaff9f50b379bf1cc680b379b74810751ee0.

Fichiers & #160;: exemples/composante/contrainte/CableConstraint/Finger.py; exemples/composante/contrainte/CableConstraint/FingerController.py; exemples/composante/contrainte/CableConstraint/mesh/finger.vtk

Termes : SoftRobots LGPL-3.0 selon les métadonnées de licence de dépôt en direct; SOFA LGPL-2.1; dépendances séparées

Environnement et calcul: SOFA avec les plug-ins SoftRobots et SofaPython3 correspondants; préserver les versions complètes des composants/plugin. CPU FEM; SOFA le temps d'exécution natif et les plugins; affichage en option.

Entrées: Maille de doigt groupée ; la source définit dt=0,01 et gravité=[0,-9810,0] dans les unités du modèle ; inspecter et conserver les définitions de matériaux, de contraintes et d’actionneurs.

Accès aux données: la source publique et le maillage fourni; vérifier les termes de redistribution du maillage.

Construire et comparer un canapé#

La séquence ci-dessous contient les commandes en amont et les instructions de configuration proposées, telles qu'elles sont étiquetées. Seules les commandes identifiées dans les preuves d'exécution ont été exécutées ici; inspecter la source et les conditions préalables avant de courir.

  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.

Résultats escomptés : Scénario des doigts déformés et, après instrumentation, série déplacement-vs-actionnement et logs de convergence.

Comparaison avec le document : Comparer les réglages de l'actionneur de papier/mesh/matériel et une courbe de déviation spécifique après l'obtention du texte intégral. Une animation de flexion plausible ou une résolution linéaire convergente n'établit pas la reproduction du papier.

Résultat de l'exécution: Aucune demande d ' exécution; les commandes ont été inspectées en amont ou explicitement marquées proposées.

Preuve d'exécution : Aucun enregistrement.

Bloqueurs : Modèle exact 2017, mesh, paramètres du matériau et cible numérique non assortis; pile de plugin native non disponible.

Action suivante: Récupérer le manuscrit de l'auteur légitime, cartographier une expérience d'actionnement câblé vers l'avant, puis l'instrument exactement maillage et chargement.

Lacunes: Modèle exact 2017, mesh, paramètres du matériau et cible numérique non assortis; pile de plugin native non disponible.

Sources pour canapé#

Afficher la source sur GitHub