CPU에서 출시된 Minitaur 정책을 재생합니다.

Tanet al. (2018), Sim-to-Real: Learning Agile Locomotion For Quadruped Robots, Bullet에서 빠르게 질주하는 환경과 PPO 체크포인트를 해제하세요. 이 예에서는 레거시 TensorFlow 환경을 사용하여 해당 작성자 정책을 재생하고 모든 상태/작업 단계를 기록합니다.

TensorFlow 1.15.5, NumPy 1.18.5, PyBullet 3.2.5, Gym 0.17.3 및 ruamel.yaml 0.16.13과 함께 Python 3.7을 사용하세요. 클론 bulletphysics/bullet3 ~에 d3afe76132fc76b0f9b2359cbaef47a3766e7fbb 아래 sources/bullet3. 포함된 내용을 적용하세요. bullet-compatibility.patch 존재하지 않는 업스트림을 교체하려면 tf TensorFlow 1 모듈을 사용한 모듈 가져오기. 소스, 체크포인트, 라이센스 공지를 그대로 유지하세요. 실행 python run_minitaur.py 두 개의 BLAS/TensorFlow 스레드가 있는 이 예제 디렉토리에서.

어댑터는 작성자 구성 로더를 호출하고 SimplePPOPolicy, 복원 model.ckpt-14000000, 표시를 비활성화하고 각각 최대 1,000개의 제어 단계에 대해 시드 0-4를 실행합니다. 물리적 시간 단계, 모터 및 대기 시간 모델은 작성 환경에 유지됩니다. 출력 CSV 파일은 simulation 시간, 기본 위치, 보상, 관찰 및 행동을 기록합니다. summary.json 각 에피소드를 기록하고 속도 변동성을 집계합니다.

5개의 뛸 에피소드가 1,000걸음을 완료했습니다(시뮬레이션된 6초). 평균 전진 속도는 0.921524m/s(샘플 SD 0.035527)였습니다. 질주하는 에피소드 5개 중 2개가 완료되었습니다. 5개의 가변 길이 에피소드에 대한 평균 속도는 1.308420m/s(SD 0.520918)였습니다. 짧은 에피소드와 정지된 궤적이 기록에 남습니다.

섹션 VI-A에서는 simulation의 속력이 약 0.50m/s, 질주하는 속도가 1.34m/s라고 보고합니다. 에피소드 평균 추정자에는 시작이 포함됩니다. 논문에서는 등가 속도 추정기를 지정하지 않습니다. 더 중요한 것은 공개된 체크포인트 네트워크 너비가 종이 표 II와 다르다는 것입니다: 빠른 속도(133, 100) 대 (125, 89), 급속도(114, 45) 대 (185, 95). 현재 PyBullet은 과거 엔진과도 다릅니다. 이러한 결과는 실행을 보여주고 재생산 격차를 드러냅니다. 이는 용지 속도나 물리적 전송을 설정하지 않습니다. 인간의 과학적 검토는 아직 보류 중입니다.

녹음된 파일을 다운로드하세요#

완전한 실행 기록 · 모든 후보자 시도. 인간의 과학적 검토가 보류 중입니다.

GitHub에서 소스 보기