장면과 로봇 공학: 종이에서 코드로의 경로
이 페이지의 내용
에이전트가 조사한 건설 경로입니다. 실행 라인은 실제로 수행된 제한된 작업을 보고합니다. 비교 섹션에서는 게시된 결과를 주장하기 전에 남은 내용을 정의합니다. 인간의 과학적 검토가 보류 중입니다.
개방형#
OpenUSD — 종이 관련 로봇 장면이 USD를 통해 모델과 시변 실험 메타데이터를 보존할 수 있습니까?
경로: 종이 모델 적응. 실행: 실행되지 않습니다. 소스 신뢰도: 중간.
openusd용 용지#
Mayank Mittalet al. (2023). Orbit: A Unified Simulation Framework for Interactive Robot Learning Environments. 10.1109/LRA.2023.3270034.
출판 유형: 저널_기사. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: 라이브 Crossref 메타데이터가 새로 고쳐졌습니다. 이전 연구실에서 공개 원고 아키텍처를 검사했습니다.
논문의 목표: USD 장면 아키텍처; 현재 후속 Cartpole USD 자산은 2023년 실험 아카이브가 아닌 적응 버전입니다.
openusd에 대한 코드 및 입력#
아티팩트 또는 업스트림 소스. Isaac Lab는 궤도 후속 제품입니다. 검사된 소스는 UsdFileCfg를 통해 Cartpole/cartpole.usd를 로드합니다. USD는 장면 교환을 지원합니다. PhysX는 역학을 해결합니다.
검사된 소스: 응. 참조: v2.2.0. 커밋: 46dff135f44683f031edf346e544fcfd8456b2bb.
파일: 소스/isaaclab_assets/isaaclab_assets/robots/cartpole.py; 소스/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py
용어: BSD-3-절 소스; 별도의 NVIDIA 런타임 및 자산 조건
환경 및 컴퓨팅: Isaac Sim 5.0.0과 호환되는 Isaac Lab v2.2.0; 검사용 독립형 usd-core USD 검사용 CPU; 결합된 Isaac simulation용 NVIDIA GPU.
입력: 업스트림 구성에서 참조되는 Cartpole USD 자산. 해결된 종속성 해시 및 시뮬레이터 설정을 보존합니다.
데이터 액세스: 소스 공개; 로봇 자산과 런타임은 별도의 용어를 따릅니다.
openusd 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Proposed: fetch the configured Cartpole USD asset through the documented Isaac asset endpoint and retain a local dependency manifest.Proposed: use pxr.Usd.Stage.Open(local_asset), inspect articulation/physics schemas and reference dependencies, and compare attributes before/after export.
예상 출력: 편집 가능한 USD 장면, 종속성 매니페스트, 소스-내보내기 속성 비교.
논문과의 비교: 구성된 프림 경로, 단위, 관절 이름 및 물리 속성이 보존되는지 확인합니다. 논문 수치 결과는 주장되지 않습니다.
실행 결과: 집행 청구가 없습니다. 명령은 업스트림에서 검사되었거나 제안된 것으로 명시적으로 표시되었습니다.
실행 증거: 녹음된 내용이 없습니다.
차단제: 원본 Orbit 실험 버전이 일치하지 않습니다. 현지 USD 자산 검색이 시도되지 않았습니다.
다음 작업: 기존 배터리 결과를 USD로 변환하는 예시와 함께 장면 매니페스트 연습을 개발하세요.
간격: 원본 Orbit 실험 버전이 일치하지 않습니다. 현지 USD 자산 검색이 시도되지 않았습니다.
openusd의 소스#
- 종이 정체성 (2026-11-15 점검).
- 구체적으로 게시된 프레임워크 USD 장면 로드 구성 (2026-11-15 점검).
믹서기#
Blender — MOVi-A 합성 비디오와 해당 실제 주석을 재생성할 수 있습니까?
경로: 논문 결과 후보자. 실행: 실행된 예시입니다. 소스 신뢰도: 높다.
믹서기용 종이#
Klaus Greffet al. (2022). Kubric: A scalable dataset generator. arXiv:2203.03570v1.
출판 유형: 회의_종이. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: CVPR 2022 원고 HTML 열기 검사
논문의 목표: 섹션 4.1 및 그림 5, MOVi-A 장면 생성 속성; 표 3의 학습 결과는 별도의 학습 재현이 필요합니다.
블렌더용 코드 및 입력#
아티팩트 또는 업스트림 소스. 저자는 MOVi를 CVPR 논문의 데이터 세트 기여로 명시적으로 식별합니다. Blender 렌더링 및 PyBullet 시뮬레이션.
검사된 소스: 응. 참조: 검사 메인. 커밋: 61f2422c84bab75006df33c6989e0b483db3ccfe.
파일: 도전과제/movi/README.md; 도전과제/movi/movi_ab_worker.py; 도전과제/movi/movi_a.py
용어: 큐브릭 아파치-2.0; Blender GPL; 번들 개체/재료 용어 검사
환경 및 컴퓨팅: 저자 kubricdockerhub/kubruntu 이미지; 업스트림 문서 Blender 2.93. 프로덕션 재현 전에 이미지 다이제스트를 해결/고정합니다. 하나의 장면에 대해 CPU 렌더링이 가능합니다. 전체 데이터세트 렌더링은 비용이 많이 듭니다.
입력: CLEVR 스타일 개체 세트, 배경 및 카메라 처음에는 하나의 고정된 장면 시드를 사용한 다음 데이터세트 생성기 설정을 일치시킵니다.
데이터 액세스: 공개 작성자 코드 및 공개 데이터세트 버킷 자산 매니페스트 및 조건을 유지합니다.
블렌더 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Upstream README: git clone https://github.com/google-research/kubric.gitProposed pin: git checkout 61f2422c84bab75006df33c6989e0b483db3ccfeUpstream 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
예상 출력: 작업자가 구성한 RGB 프레임, 인스턴스 분할, 깊이, 광학 흐름, 장면 메타데이터 및 저장된 장면.
논문과의 비교: PublishedMOVi-A 데이터 세트 디자인 속성이 일치합니다. 모든 수치/디자인 검사를 통과했습니다. 원본 그림 픽셀, 원본 자산 바이트 및 Table3 학습 점수는 이 비교 범위를 벗어납니다.
실행 결과: Paper-date 작성자 작업자는 CPU:24프레임, 256×256,7개 개체 및 모든 렌더링된 주석/기본 상태에서 완료될 때까지 실행했습니다. 9가지 디자인 검사를 통과했습니다. 두 번째 장면에는 동일한 인스턴스 메타데이터와 24/24RGBA 해시가 있습니다.
차단제: 정확한 2022자산바이트 및 전체 원본 종속성 잠금이 설정되지 않았습니다. SAVi/SIMONeTable3training 벤치마크가 시도되지 않았습니다.
다음 작업: 데이터 세트 생성 가이드에 대한 인적 검토 Table3을 재생성하기 전에 아카이브 데이터셋과 모델 훈련 프로토콜을 일치시킵니다.
간격: 정확한 2022자산바이트 및 전체 원본 종속성 잠금이 설정되지 않았습니다. SAVi/SIMONeTable3training 벤치마크가 시도되지 않았습니다.
블렌더 소스#
- 종이 정체성 (2026-11-15 점검).
- 섹션 4.1 및 그림 5 (2026-11-15 점검).
- 작성자 생성기 명령 및 데이터세트 속성 (2026-11-15 점검).
이삭심#
Isaac Sim — 게시된 프레임워크가 물리 기반 클래식 제어 정책을 교육할 수 있습니까?
경로: 소프트웨어 종이의 예. 실행: 실행되지 않습니다. 소스 신뢰도: 중간.
이삭심용 종이#
엔비디아; Mayank Mittalet al. (2025). Isaac Lab: 다중 모드 로봇 학습을 위한 GPU 가속 시뮬레이션 프레임워크. arXiv:2511.04831v1.
출판 유형: 사전 인쇄. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: 검사된 사전 인쇄 HTML을 엽니다. 사전 인쇄 이후의 출판이 확립되지 않았습니다.
논문의 목표: 섹션 3.7.3 클래식 Cartpole 환경; 섹션 4.1 처리량 정의. 이 경로는 하드웨어 처리량 수치를 재현하지 않습니다.
isaacsim용 코드 및 입력#
아티팩트 또는 업스트림 소스. Paper는 이 작성자 프레임워크를 직접 연결합니다. 검사된 v2.2.0은 구체적으로 지원되는 기준선입니다. 종이 벤치마크 커밋에 대한 대응이 확립되지 않았습니다.
검사된 소스: 응. 참조: v2.2.0. 커밋: 46dff135f44683f031edf346e544fcfd8456b2bb.
파일: 소스/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py; 소스/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py; 스크립트/reinforcement_learning/rsl_rl/train.py; docs/source/overview/reinforcement-learning/rl_existing_scripts.rst
용어: Isaac Lab BSD-3-Clause 코어; Isaac Sim 소스 Apache-2.0; 런타임/자산 별도의 용어
환경 및 컴퓨팅: Isaac Lab v2.2.0; Isaac Sim 5.0.0 및 지원되는 NVIDIA GPU/드라이버; RSL-RL 래퍼. NVIDIA GPU 런타임; 하드웨어 규모의 교육은 시도되지 않았습니다.
입력: Isaac-Cartpole-Direct-v0, 명시적 시드 및 기록된 환경 수 검사된 구성에서 작업 dt=1/120초 및 데시메이션=2입니다.
데이터 액세스: 공개 소스 네트워크 로봇 자산 및 NVIDIA 런타임 용어.
isaacsim 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Proposed pin: git checkout 46dff135f44683f031edf346e544fcfd8456b2bbUpstream wrapper installation route: ./isaaclab.sh -i rsl_rlProposed 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
예상 출력: 교육 구성, 로그 및 정책 체크포인트 결정론적 evaluation 에피소드; 선택적 USD 장면 매니페스트.
논문과의 비교: 여러 개의 동일한 시드 및 다른 시드 보상/에피소드 길이 곡선을 비교합니다. 64개 환경의 교육 실행은 종이 처리량 실험이 아닙니다. 섹션 4.1과 일치하려면 정확한 작업, GPU, 환경 수 및 타이밍 정의가 필요합니다.
실행 결과: 집행 청구가 없습니다. 명령은 업스트림에서 검사되었거나 제안된 것으로 명시적으로 표시되었습니다.
실행 증거: 녹음된 내용이 없습니다.
차단제: 로컬 호환 GPU 런타임이 확인되지 않았습니다. 문서 벤치마크 개정/하드웨어가 일치하지 않습니다.
다음 작업: 승인된 GPU 러너를 프로비저닝하고 종이 환경을 고정한 다음 소규모의 전체 교육/evaluation 주기를 실행합니다.
간격: 로컬 호환 GPU 런타임이 확인되지 않았습니다. 문서 벤치마크 개정/하드웨어가 일치하지 않습니다.
isacsim의 소스#
- 논문 메타데이터 및 직접적인 저자-코드 연관 (2026-11-15 점검).
- 섹션 3.7.3에는 고전적인 작업이 나와 있습니다. 섹션 4.1에서는 처리량을 정의합니다. (2026-11-15 점검).
- 구체적인 모델 시간 단계/보상/재설정 구성 (2026-11-15 점검).
- 훈련 래퍼 경로 (2026-11-15 점검).
이사악랩#
Isaac Lab — 종이와 관련된 Cartpole 정책을 재현 가능하게 훈련, 저장 및 평가할 수 있습니까?
경로: 소프트웨어 종이의 예. 실행: 실행되지 않습니다. 소스 신뢰도: 중간.
isaaclab용 종이#
엔비디아; Mayank Mittalet al. (2025). Isaac Lab: 다중 모드 로봇 학습을 위한 GPU 가속 시뮬레이션 프레임워크. arXiv:2511.04831v1.
출판 유형: 사전 인쇄. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: 검사된 사전 인쇄 HTML을 엽니다. 사전 인쇄 이후의 출판이 확립되지 않았습니다.
논문의 목표: 섹션 3.7.3 클래식 Cartpole 환경; 섹션 4.1 처리량 정의. 이 경로는 하드웨어 처리량 수치를 재현하지 않습니다.
isaaclab용 코드 및 입력#
아티팩트 또는 업스트림 소스. Paper는 이 작성자 프레임워크를 직접 연결합니다. 검사된 v2.2.0은 구체적으로 지원되는 기준선입니다. 종이 벤치마크 커밋에 대한 대응이 확립되지 않았습니다.
검사된 소스: 응. 참조: v2.2.0. 커밋: 46dff135f44683f031edf346e544fcfd8456b2bb.
파일: 소스/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py; 소스/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py; 스크립트/reinforcement_learning/rsl_rl/train.py; docs/source/overview/reinforcement-learning/rl_existing_scripts.rst
용어: Isaac Lab BSD-3-Clause 코어; Isaac Sim 소스 Apache-2.0; 런타임/자산 별도의 용어
환경 및 컴퓨팅: Isaac Lab v2.2.0; Isaac Sim 5.0.0 및 지원되는 NVIDIA GPU/드라이버; RSL-RL 래퍼. NVIDIA GPU 런타임; 하드웨어 규모의 교육은 시도되지 않았습니다.
입력: Isaac-Cartpole-Direct-v0, 명시적 시드 및 기록된 환경 수 검사된 구성에서 작업 dt=1/120초 및 데시메이션=2입니다.
데이터 액세스: 공개 소스 네트워크 로봇 자산 및 NVIDIA 런타임 용어.
isaaclab 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Proposed pin: git checkout 46dff135f44683f031edf346e544fcfd8456b2bbUpstream wrapper installation route: ./isaaclab.sh -i rsl_rlProposed 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
예상 출력: 교육 구성, 로그 및 정책 체크포인트 결정론적 evaluation 에피소드; 선택적 USD 장면 매니페스트.
논문과의 비교: 여러 개의 동일한 시드 및 다른 시드 보상/에피소드 길이 곡선을 비교합니다. 64개 환경의 교육 실행은 종이 처리량 실험이 아닙니다. 섹션 4.1과 일치하려면 정확한 작업, GPU, 환경 수 및 타이밍 정의가 필요합니다.
실행 결과: 집행 청구가 없습니다. 명령은 업스트림에서 검사되었거나 제안된 것으로 명시적으로 표시되었습니다.
실행 증거: 녹음된 내용이 없습니다.
차단제: 로컬 호환 GPU 런타임이 확인되지 않았습니다. 문서 벤치마크 개정/하드웨어가 일치하지 않습니다.
다음 작업: 승인된 GPU 러너를 프로비저닝하고 종이 환경을 고정한 다음 소규모의 전체 교육/evaluation 주기를 실행합니다.
간격: 로컬 호환 GPU 런타임이 확인되지 않았습니다. 문서 벤치마크 개정/하드웨어가 일치하지 않습니다.
isaaclab의 소스#
- 논문 메타데이터 및 직접적인 저자-코드 연관 (2026-11-15 점검).
- 섹션 3.7.3에는 고전적인 작업이 나와 있습니다. 섹션 4.1에서는 처리량을 정의합니다. (2026-11-15 점검).
- 구체적인 모델 시간 단계/보상/재설정 구성 (2026-11-15 점검).
- 훈련 래퍼 경로 (2026-11-15 점검).
무조코#
MuJoCo — Paper Cartpole 환경을 실행하고 명시적인 쿼터니언 예제를 재현할 수 있습니까?
경로: 소프트웨어 종이의 예. 실행: 실행된 예시입니다. 소스 신뢰도: 높다.
mujoco용 종이#
Yuval Tassaet al. (2018). DeepMind 제어 제품군. arXiv:1801.00690v1.
출판 유형: 사전 인쇄. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: 열린 원고 HTML 검사
논문의 목표: 섹션 4 suite.load Cartpole 스윙업 및 재설정/단계 에피소드 예; 섹션 5 쿼터니언-행렬 예제.
mujoco용 코드 및 입력#
아티팩트 또는 업스트림 소스. Paper는 MuJoCo로 구동되는 DeepMind Control Suite를 명시적으로 출시합니다. 최신 패키지는 2018 엔진과 다릅니다.
검사된 소스: 응. 참조: 검사 메인. 커밋: d7e52e3602a555df6cc20cc928ea5b41e9920158.
파일: dm_control/suite/cartpole.py; dm_control/suite/cartpole.xml; 읽어보기.md
용어: 아파치-2.0; MuJoCo 아파치-2.0
환경 및 컴퓨팅: 격리된 Python 3.12; dm-컨트롤==1.0.52; 해결된 모든 MuJoCo 종속성을 동결합니다. CPU; 디스플레이 종속성을 피하기 위해 렌더링을 생략합니다.
입력: 종이 카트폴 스윙업; 환경 및 액션 생성기의 경우 시드=42; 쿼터니언(0.5,0.5,0.5,0.5).
데이터 액세스: 공개 코드 및 번들 MJCF 자산.
mujoco 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Upstream installation: python -m pip install dm-control==1.0.52Paper API route: from dm_control import suite; env = suite.load(domain_name="cartpole", task_name="swingup"); env.reset(); env.step(action)Proposed modern binding for paper Section 5: mujoco.mju_quat2Mat(matrix, quaternion)
예상 출력: 하나의 전체 에피소드 궤적 및 요약 명시적으로 인쇄된 종이 행렬과 비교된 쿼터니언 행렬.
논문과의 비교: 종이 행렬은 [[0,0,1],[1,0,0],[0,1,0]]입니다. 공차 1e-12로 정확하게 확인하십시오. 종이 에피소드 루프를 실행하고 유한 상태/보상을 확인합니다. 이러한 검사는 학습 알고리즘 성능 곡선을 재현하지 않습니다.
실행 결과: 최신 dm-control 1.0.52: 9.999999999999831초 동안 1000 Cartpole 스윙업 단계; 두 개의 시드 에피소드가 정확히 동일합니다. 논문 섹션 5 쿼터니언 행렬은 오류가 0과 일치합니다(절대 허용오차 1e-12 선택). 이는 학습 벤치마크 재현이 아니라 종이 소프트웨어 예제를 실행하는 것입니다.
차단제: 최신 엔진/패키지는 2018년과 다릅니다. 원래 학습 벤치마크는 시도되지 않았습니다.
다음 작업: 전체 에피소드 CSV, 패키지 잠금, 매트릭스 비교, 소스 및 출력 해시를 실행하고 유지합니다.
간격: 최신 엔진/패키지는 2018년과 다릅니다. 원래 학습 벤치마크는 시도되지 않았습니다.
무조코 소스#
- 종이 메타데이터 (2026-11-15 점검).
- 실제 예제 API 및 인쇄된 매트릭스 (2026-11-15 점검).
- 작성자 작업 구현 (2026-11-15 점검).
- 설치 및 지원되는 simulation 백엔드 (2026-11-15 점검).
gz-sim#
Gazebo — 격리된 동일 시드 PPO 실행이 동일한 체크포인트와 evaluation 곡선을 생성합니까?
경로: 논문 결과 후보자. 실행: 실행된 예시입니다. 소스 신뢰도: 높다.
gz-sim용 용지#
아말 데브 하리데반(Amal Dev Haridevan); 강준지; 진준 산(2026). GzDRL: Reproducible and Scalable Deep Reinforcement Learning with Gazebo. arXiv:2609.13243v1.
출판 유형: 사전 인쇄. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: 검사된 사전 인쇄 HTML을 엽니다. 원고는 IEEE에 제출되었지만 출판물은 확립되지 않았다고 말합니다.
논문의 목표: 섹션 V-B, 그림 6, 표 II: 공정 격리된 동일 시드 및 다른 시드 PPO 재현성.
gz-sim용 코드 및 입력#
아티팩트 또는 업스트림 소스. 정확한 저자의 논문 아티팩트, 명시적으로 라벨이 붙은 연구 아티팩트, 종이는 동일한 저장소를 링크합니다.
검사된 소스: 응. 참조: 검사시 머리. 커밋: 3e5c5f9a62c1160b3b2889e6d34d794a5361e178.
파일: Experiments_paper/reproducability_validation/README.md; Experiments_paper/reproducability_validation/config.json; Experiments_paper/reproducability_validation/run_experiment.py; Experiments_paper/reproducability_validation/verify_determinism.py
용어: MIT; Gazebo/종속성 고지 별도
환경 및 컴퓨팅: 업스트림 Gazebo/DRLServer C++ 빌드 전제 조건과 Python RL 추가; 컴파일러, Gazebo 및 SB3 버전을 동결합니다. CPU 물리학 및 PPO; 10번의 전체 훈련이 실행됩니다. 처리량 청구를 위해 종이 하드웨어를 기록해야 합니다.
입력: 작성자 구성: 5개의 동일한 시드가 시드 42로 실행됩니다. 다른 종자 {1,5,25,42,125}; 8가지 환경; 500000번 단계; 50000마다 체크포인트; 20개의 결정론적 evaluation 에피소드.
데이터 액세스: 공개 코드 및 번들 구성 개인 데이터가 표시되지 않습니다.
gz-sim 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Upstream installation, from repository root after native build: python -m pip install -e '.[rl]'cd experiments_paper/reproducability_validationpython run_experiment.py
예상 출력: 결과/결정론_check.json; 실행당 체크포인트/evaluation 데이터; 분석 CSV, 플롯, LaTeX 테이블 및 기계/구성 매니페스트.
논문과의 비교: 동일 시드 결정론은 전체 작성자 코드 실행 및 독립 매개변수 해싱을 통해 지원됩니다. 공개된 수치 최종 수익은 재현되지 않습니다. 관용은 발명되지 않습니다. 기록 패키지/컴파일러 잠금이 설정되지 않았으며 이 이식 가능한 빌드는 Gazebo10.6/GCC15와 기계적 생성자 명확성 패치를 사용합니다. 다른 시드 행이 실행되지 않았습니다. 인간의 과학적 검토가 보류 중입니다.
실행 결과: 전체 동일 시드 500,000개 요청 단계 훈련 실행 5개와 1200evaluation 에피소드를 모두 완료했습니다. 작성자 프리플라이트 및 독립 12개 체크포인트 매개변수 신원 확인이 통과되었습니다. finalreturn16.53217은 paper18.43과 다릅니다.
차단제: 종이 최종 반환18.43재현되지 않음(실제16.53217); 원래 패키지/컴파일러 잠금 및 정확한 종이 아티팩트 버전이 설정되지 않았습니다.; Different-seedTableIIrow가 실행되지 않습니다.
다음 작업: 논문 작성자와의 기본 작업/구성/환경 차이점을 검토합니다. 정확한 소프트웨어/구성 출처가 해결된 후에만 원래 점수를 재현하십시오.
간격: 종이 최종 반환18.43재현되지 않음(실제16.53217); 원래 패키지/컴파일러 잠금 및 정확한 종이 아티팩트 버전이 설정되지 않았습니다.; Different-seedTableIIrow가 실행되지 않습니다.
gz-sim 소스#
- 종이 메타데이터 (2026-11-15 점검).
- 특정 표 II 결과 및 전체 실험 설정 (2026-11-15 점검).
- 정확한 작성자 실행 명령 및 출력 계약 (2026-11-15 점검).
웹봇#
Webots — Webots Cartpole은 종이 Deepbots 인터페이스를 통해 균형 조정을 배울 수 있습니까?
경로: 종이 모델 적응. 실행: 실행되지 않습니다. 소스 신뢰도: 중간.
웹봇용 종이#
마노스 키르타스; 콘스탄티노스 참파지스; 니콜라스 파살리스; 아나스타시오스 테파스(2020). Deepbots: 로봇공학을 위한 Webots 기반 심층 강화 학습 프레임워크. 10.1007/978-3-030-49186-4_6.
출판 유형: 회의_종이. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전체 텍스트 액세스: PMC 기사 검색 텍스트 및 저자 문서를 검사했습니다. 직접 PMC 열기에 액세스 문제가 발생했습니다.
논문의 목표: 섹션 4 사용 사례 및 Cartpole 코드 예제 게시된 정확한 학습 곡선 설정에는 전체 텍스트 비교가 필요합니다.
웹봇용 코드 및 입력#
아티팩트 또는 업스트림 소스. 공식 Deepbots 문서는 deepworlds를 예제 저장소로 연결합니다. 현재 예제는 작성자 프레임워크를 구현하지만 고정된 2020 아티팩트는 아닙니다.
검사된 소스: 응. 참조: 검사시 머리. 커밋: 4f21e555216750a4aafb84baad261aeda7cb1f74.
파일: 예제/cartpole/README.md; 예제/cartpole/cartpole_discrete/worlds/cartpole_world_robot_supervisor.wbt; 예/cartpole/cartpole_discrete/controllers/robot_supervisor_manager/PPO_runner.py
용어: 코드를 복사하기 전에 deepworlds/deepbots 라이선스 및 Webots 자산 공지를 검토하세요. Webots 아파치-2.0
환경 및 컴퓨팅: Webots와 선택한 예의 일치하는 Python deepbots/PyTorch/Gym 요구 사항. CPU simulation 및 소규모 신경망; Webots 기본 런타임이 필요합니다.
입력: 개별 동작 Cartpole 세계, 로봇 감독 체계 및 PPO 에이전트; 시드, 에피소드 길이 및 재설정 설정을 유지합니다.
데이터 액세스: 공개저작자코드와 로봇세계 비공개 데이터 세트가 없습니다.
웹봇 구축 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
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.Proposed automation: record environment/controller versions, log episode reward and evaluate a frozen checkpoint over fixed-seed episodes.
예상 출력: 저자의 README에 설명된 에피소드 보상 플롯 및 훈련된 에이전트; 정책 및 에피소드별 로그를 유지합니다.
논문과의 비교: 원래 설정을 복구한 후 종이 섹션 4 Cartpole 결과와 비교합니다. 현재 README awardPlot.png는 확립된 종이 숫자 목표가 아닌 리드입니다.
실행 결과: 집행 청구가 없습니다. 명령은 업스트림에서 검사되었거나 제안된 것으로 명시적으로 표시되었습니다.
실행 증거: 녹음된 내용이 없습니다.
차단제: 과거 Deepbots/Webots/Gym 버전이 일치하지 않습니다. 디지털화되지 않은 종이 곡선; 기본 런타임을 사용할 수 없습니다.
다음 작업: 복제 대상을 수락하기 전에 합법적인 경로를 통해 전체 텍스트를 검색하고 현재 세계를 종이 사용 사례에 매핑합니다.
간격: 과거 Deepbots/Webots/Gym 버전이 일치하지 않습니다. 디지털화되지 않은 종이 곡선; 기본 런타임을 사용할 수 없습니다.
웹봇 소스#
- 제목/저자/연도/DOI가 실시간으로 확인되었습니다. (2026-11-15 점검).
- 작성자 프레임워크 인용 및 공식 deepworlds 링크 (2026-11-15 점검).
- 구체적인 세계/컨트롤러 경로 및 기존 보상 플롯 (2026-11-15 점검).
총알 3#
Bullet / PyBullet — 출시된 미니타우르의 속보 및 질주 컨트롤러를 재생할 수 있나요?
경로: 논문 결과 후보자. 실행: 실행된 예시입니다. 소스 신뢰도: 높다.
총알용 종이3#
지에 탄; 장팅난; 어윈 쿠만스; 아틸 이센; 바이윤페이; 다니자르 하프너; 스티븐 보헤즈; 빈센트 반후크(2018). Sim-to-Real: Learning Agile Locomotion For Quadruped Robots. arXiv:1804.10332v2.
출판 유형: 회의_종이. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전문 액세스: 개방형 추상 및 작성자 환경 README 검사; 자세한 실험 섹션은 감사되지 않음
논문의 목표: 종이를 타고 질주하는 정책; 저자 README는 사용된 두 가지 정확한 환경을 명시적으로 식별합니다.
bullet3의 코드 및 입력#
아티팩트 또는 업스트림 소스. 작성자 README는 이 두 가지 환경이 논문에서 사용되었다고 명시적으로 명시하고 사전 훈련된 PPO 예제를 링크합니다.
검사된 소스: 응. 참조: 검사중인 마스터. 커밋: d3afe76132fc76b0f9b2359cbaef47a3766e7fbb.
파일: 예제/pybullet/gym/pybullet_envs/minitaur/envs/README.md; 예제/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_reactive_env.py; 예제/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_trotting_env.py; 예/pybullet/gym/pybullet_data/policies/ppo/minitaur_trotting_env/config.yaml
용어: Zlib 코어; 별도의 예제/모델/체크포인트 종속성 알림
환경 및 컴퓨팅: 역사적인 TensorFlow-1 스타일 PPO 환경, Gym, ruamel.yaml 및 호환 가능한 PyBullet 설치 전에 가져오기를 검사하고 원본 버전을 해결하세요. 레거시 호환 종속성으로 CPU 정책 재생이 가능합니다. 훈련과 신체검사는 별개입니다.
입력: 번들로 제공되는 Minitaur URDF, PPO 체크포인트/구성 및 페이퍼 모터/대기 시간/무작위 구성.
데이터 액세스: 공개 소스, 번들 체크포인트 및 모델 개별 자산 통지를 검토합니다.
bullet3 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Upstream README: pip install gym; pip install ruamel.yamlUpstream, from example directory with dependencies available: python minitaur_reactive_env_example.pyUpstream: python minitaur_trotting_env_example.py
예상 출력: 정책 롤아웃, 로봇 상태/동작 및 보행 궤적 원시 로그와 정확한 체크포인트 해시를 보관합니다.
논문과의 비교: 출시된 정책은 실행되지만 게시된 simulation 속도는 일치하는 방법/체크포인트로 재현되지 않습니다. 트로트 평균0.9215m/s 대 종이 약0.50; 갤럽 평균 1.3084(SD0.5209 포함) 및 2/5만 완료됨. 물리적인 시뮬레이션과 실제적인 주장이 없습니다.
실행 결과: 재생된 저자는 보행당 5개의 종자에 대한 PPO 정책을 동결했습니다. 모든 숫자 흔적이 유지됩니다.
차단제: 게시된 TableII 정책 너비/체크포인트 선택이 일치하지 않습니다. 기본 물리학 개정판은 2018이 아닙니다. 물리적 로봇 evaluation가 없습니다.
다음 작업: 종이별 체크포인트/환경을 복구합니다. 속도 추정기와 허용오차를 일치시킨 다음 반복되는 에피소드와 비교합니다.
간격: 게시된 TableII 정책 너비/체크포인트 선택이 일치하지 않습니다. 기본 물리학 개정판은 2018이 아닙니다. 물리적 로봇 evaluation가 없습니다.
bullet3의 출처#
- 기본 메타데이터 및 선언된 뛸/질주 결과 (2026-11-15 점검).
- 명시적 작성자 연관, 릴리스된 환경 및 재생 명령 (2026-11-15 점검).
크로노#
Project Chrono — 조향 및 지형 입력은 템플릿 기반 HMMWV 모델에 어떤 영향을 줍니까?
경로: 소프트웨어 종이의 예. 실행: 실행되지 않습니다. 소스 신뢰도: 중간.
크로노용 종이#
라두세르반; 마이클 테일러; 댄 네그루트; 알레산드로 타소라(2019). Chrono::Vehicle: 템플릿 기반 지상 차량 모델링 및 simulation. 10.1504/IJVP.2019.097096.
출판 유형: 저널_기사. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전문 액세스: 출판사 요약 및 메타데이터 검사; 전체 텍스트는 검사되지 않음
논문의 목표: 소프트웨어 아키텍처 및 지상 차량 모델링 시연 정확한 종이 그림/모델 식별은 전문을 보류 중입니다.
크로노용 코드 및 입력#
아티팩트 또는 업스트림 소스. 현재 공식적인 HMMWV 예제는 Chrono 작성자가 작성했으며 논문에 설명된 모듈인 Chrono::Vehicle을 사용합니다. 이는 정확한 2019년 실험으로 확립되지 않았습니다.
검사된 소스: 응. 참조: 검사 메인. 커밋: c2865ec31e5913838898bf9c13b1bba66804db3e.
파일: src/demos/python/vehicle/demo_VEH_HMMWV.py
용어: BSD-3-절 코드; 모델/데이터 공지 별도
환경 및 컴퓨팅: 제공된 차량 데이터와 일치하는 차량 및 Irrlicht 모듈이 포함된 PyChrono; 모든 모듈을 다시 빌드하는 것보다 지원되는 바이너리 환경을 선호합니다. CPU 다중체 역학; 수정되지 않은 Irrlicht 데모에 대한 지원을 표시합니다.
입력: 업스트림 HMMWV_Full, 데모의 지형, 운전자 및 타이어 설정; 문서화된 적응으로서만 대화형 드라이버를 저장된 결정론적 입력으로 교체하십시오.
데이터 액세스: 공개 모델 코드 및 번들 차량 데이터.
크로노 구성 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Proposed from a matching PyChrono environment: python src/demos/python/vehicle/demo_VEH_HMMWV.py
예상 출력: 대화형 차량 데모; 재현성을 위해 기록된 차량 위치, 속도, 조향 입력 및 모델 구성을 추가합니다.
논문과의 비교: 먼저 기록된 운전자 입력에서 유한 상태와 반복성을 확인하십시오. 게시된 궤적이나 반응 곡선을 비교하기 전에 종이 그림과 메시/타이어/지형 설정을 식별하십시오.
실행 결과: 집행 청구가 없습니다. 명령은 업스트림에서 검사되었거나 제안된 것으로 명시적으로 표시되었습니다.
실행 증거: 녹음된 내용이 없습니다.
차단제: 전체 기사 및 정확한 게시된 모델/응답은 검사되지 않습니다. 데모는 대화형이며 현재 API는 2019와 다릅니다.
다음 작업: 공식 Chrono 백서 목록에서 저자 원고를 획득하고 대상 수치를 추출한 다음 일치하는 모델 버전을 선택합니다.
간격: 전체 기사 및 정확한 게시된 모델/응답은 검사되지 않습니다. 데모는 대화형이며 현재 API는 2019와 다릅니다.
크로노 소스#
- 검증된 실시간 DOI/제목/저자 (2026-11-15 점검).
- 주요 출판 기록 및 초록 (2026-11-15 점검).
- 구체적인 작성자 HMMWV 모델 및 종속성 (2026-11-15 점검).
소파#
SOFA — 힘줄 변위는 유한 요소 소프트 손가락을 어떻게 구부리나요?
경로: 종이 모델 적응. 실행: 실행되지 않습니다. 소스 신뢰도: 중간.
소파용 종이#
Eulalie Coevoetet al. (2017). 모델링, simulation 및 소프트 로봇 제어를 위한 소프트웨어 툴킷. 10.1080/01691864.2017.1395362.
출판 유형: 저널_기사. 기본 메타데이터. 메타데이터 검증: 확인되었습니다. 전문 접근: 출판사 요약 및 저자 출판 메타데이터 검사; 전체 모델/결과가 검사되지 않음
논문의 목표: 기사에 설명된 직접 전달 소프트 로봇 simulation; 현재 CableConstraint/Finger.py는 검증된 정확한 수치가 아닌 작성자 관련 교육 모델입니다.
소파용 코드 및 입력#
아티팩트 또는 업스트림 소스. 이 백서는 SOFA 기반 툴킷을 제시합니다. 현재 공식 플러그인 소스는 케이블 구동 FEM 핑거를 제공합니다. 종이별 과거 메쉬 및 상수는 확인되지 않았습니다.
검사된 소스: 응. 참조: 검사중인 마스터. 커밋: 3dadbaff9f50b379bf1cc680b379b74810751ee0.
파일: 예제/구성 요소/제약/CableConstraint/Finger.py; 예제/구성 요소/제약/CableConstraint/FingerController.py; 예제/컴포넌트/제약/CableConstraint/mesh/finger.vtk
용어: 라이브 저장소 라이센스 메타데이터에 따른 SoftRobots LGPL-3.0; SOFA LGPL-2.1; 종속성 별도
환경 및 컴퓨팅: SoftRobots 및 SofaPython3 플러그인과 일치하는 SOFA; 전체 구성 요소/플러그인 버전을 보존합니다. CPU FEM; SOFA 기본 런타임 및 플러그인; 선택적 디스플레이.
입력: 번들로 묶인 손가락 메쉬; 소스는 모델 단위로 dt=0.01 및 중력=[0,-9810,0]을 설정합니다. 재료, 제약 조건 및 액츄에이터 정의를 검사하고 유지합니다.
데이터 액세스: 공개 소스 및 제공된 메시 메시 재분배 조건을 확인합니다.
소파 제작 및 비교#
아래 시퀀스에는 레이블이 지정된 업스트림 명령과 제안된 설정 지침이 포함되어 있습니다. 실행 증거에서 식별된 명령만 여기에서 실행되었습니다. 실행하기 전에 고정된 소스와 필수 구성 요소를 검사하세요.
Proposed supported-runner route: runSofa examples/component/constraint/CableConstraint/Finger.pyProposed reproducibility adaptation: drive a saved tendon-displacement series and export tip displacement and solver residuals.
예상 출력: 변형된 손가락 장면과 계측 후 변위 대 작동 시리즈 및 수렴 로그.
논문과의 비교: 전체 텍스트를 얻은 후 종이 액추에이터/메시/재료 설정과 특정 편향 곡선을 비교합니다. 그럴듯한 굽힘 애니메이션이나 수렴된 선형 해석은 용지 복제를 설정하지 않습니다.
실행 결과: 집행 청구가 없습니다. 명령은 업스트림에서 검사되었거나 제안된 것으로 명시적으로 표시되었습니다.
실행 증거: 녹음된 내용이 없습니다.
차단제: 정확한 2017 모델, 메시, 재료 매개변수 및 숫자 대상이 일치하지 않습니다. 기본 플러그인 스택을 사용할 수 없습니다.
다음 작업: 합법적인 저자 원고를 검색하고 하나의 전방 케이블 작동 실험을 매핑한 다음 정확한 메시와 로딩을 계측합니다.
간격: 정확한 2017 모델, 메시, 재료 매개변수 및 숫자 대상이 일치하지 않습니다. 기본 플러그인 스택을 사용할 수 없습니다.
소파 소스#
- 검증된 실시간 기본 인용 메타데이터 (2026-11-15 점검).
- 종이 링크 툴킷 및 SOFA 모델링 관계 상태 (2026-11-15 점검).
- 실제 메시/플러그인/액추에이터 장면 소스 (2026-11-15 점검).