场景和机器人:纸张到代码的路线
本页内容
这些是代理商研究的建筑路线。 执行线报告实际完成的捆绑工作; 比较部分界定了在要求公布结果之前的剩余部分。 人类科学审查尚待进行。
开放美元#
OpenUSD — 纸质机器人场景能否通过 USD 保存模型和时变实验元数据?
路线: 纸模型适配。 执行: 不跑。 来源信心: 中等。
openusd 纸#
梅扬克·米塔尔等人。 (2023)。 Orbit: A Unified Simulation Framework for Interactive Robot Learning Environments。 10.1109/LRA.2023.3270034.
出版物类型: 期刊_文章。 主要元数据。元数据验证:已确认。全文访问:实时Crossref元数据刷新;先前的实验室检查了开放手稿架构
论文中的目标: USD场景架构;当前的后继 Cartpole 美元资产是一个改编版本,而不是 2023 年的实验档案。
openusd 的代码和输入#
工件或上游源。 Isaac Lab 是 Orbit 的后续产品;检查的源通过 UsdFileCfg 加载 Cartpole/cartpole.usd。 USD支持场景交换; PhysX 解决动力学问题。
检查来源: 是的。 参考: v2.2.0. 承诺: 46dff135f44683f031edf346e544fcfd8456b2bb。
文件: 源/isaaclab_assets/isaaclab_assets/robots/cartpole.py;源/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py
条款: BSD-3-条款来源;单独的 NVIDIA 运行时和资产术语
环境和计算: Isaac Lab v2.2.0,兼容Isaac Sim 5.0.0;用于检查的独立 usd-core 用于 USD 检查的 CPU;用于耦合 Isaac simulation 的 NVIDIA GPU。
输入: 上游配置引用的 Cartpole 美元资产;保留已解析的依赖项哈希和模拟器设置。
数据访问: 来源公开;机器人资产和运行时间具有不同的术语。
构建并比较 openusd#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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.
预期产出: 可编辑的 USD 场景、依赖项清单、源到导出属性比较。
与论文对比: 验证组合的基本路径、单位、关节名称和物理属性是否保留。没有声称论文的数值结果。
执行结果: 无执行请求;命令已在上游进行检查或明确标记为建议。
执行证据: 没有记录。
阻碍者: 原始 Orbit 实验版本不匹配;未尝试检索本地美元资产。
下一步行动: 在现有电池结果与美元的示例旁边开发场景清单练习。
差距: 原始 Orbit 实验版本不匹配;未尝试检索本地美元资产。
openusd 的来源#
- 纸质身份 (2026年11月15日检查)。
- 具体发布框架 USD 场景加载配置 (2026年11月15日检查)。
搅拌机#
Blender — 我们可以重新生成 MOVi-A 合成视频及其真实注释吗?
路线: 论文结果候选人。 执行: 执行的示例。 来源信心: 高。
搅拌机用纸#
克劳斯·格雷夫等人。 (2022)。 Kubric: A scalable dataset generator。 arXiv:2203.03570v1。
出版物类型: 会议论文。 主要元数据。元数据验证:已确认。全文访问:打开 CVPR 2022 稿件 HTML 检查
论文中的目标: 第 4.1 节和图 5,MOVi-A 场景生成属性;表3学习结果需要单独训练重现。
搅拌机的代码和输入#
工件或上游源。作者明确将 MOVi 视为其 CVPR 论文的数据集贡献; Blender 渲染和 PyBullet 模拟。
检查来源: 是的。 参考: 主要在检查。 承诺: 61f2422c84bab75006df33c6989e0b483db3ccfe。
文件: 挑战/movi/README.md;挑战/movi/movi_ab_worker.py;挑战/movi/movi_a.py
条款: 库布里克 Apache-2.0; Blender GPL;检查捆绑的物体/材料条款
环境和计算: 作者 kubricdockerhub/kubruntu 图像;上游文件 Blender 2.93。在生产复制之前解析/固定图像摘要。 CPU 渲染可用于一个场景;完整数据集渲染的成本很高。
输入: CLEVR 风格的对象集、背景和相机;最初是一个固定的场景种子,然后匹配数据集生成器设置。
数据访问: 公共作者代码和公共数据集存储桶;保留资产清单和条款。
构建并比较搅拌机#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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
预期产出: RGB 帧、实例分割、深度、光流、场景元数据和由工作人员配置的保存场景。
与论文对比: 已发布的MOVi-A数据集设计属性匹配;所有 9 项数值/设计检查均已通过。原始数字像素、原始资产字节和表 3 学习分数不在此比较范围内。
执行结果: 论文日期作者工作人员在 CPU 上运行完成:24 帧、256×256,7 个对象和所有渲染的注释/本机状态。通过了九项设计检查;第二个场景具有相同的实例元数据和 24/24RGBA 哈希。
阻碍者: Exact2022assetbytes 和完整的原始依赖锁未建立;未尝试 SAVi/SIMONETable3training 基准测试。
下一步行动: 对数据集生成指南的人工审查;在再现Table3之前匹配存档资产和模型训练协议。
差距: Exact2022assetbytes 和完整的原始依赖锁未建立;未尝试 SAVi/SIMONETable3training 基准测试。
搅拌机的来源#
- 纸质身份 (2026年11月15日检查)。
- 第 4.1 节和图 5 (2026年11月15日检查)。
- 作者生成器命令和数据集属性 (2026年11月15日检查)。
艾萨克西姆#
Isaac Sim — 已发布的框架能否训练基于物理的经典控制策略?
路线: 软件论文示例。 执行: 不跑。 来源信心: 中等。
isaacsim 的论文#
英伟达;梅扬克·米塔尔等人。 (2025)。 Isaac Lab:用于多模态机器人学习的 GPU 加速仿真框架。 arXiv:2511.04831v1。
出版物类型: 预印本。 主要元数据。元数据验证:已确认。全文访问:打开已检查的预印本 HTML;预印本之外的出版物尚未建立
论文中的目标: 第 3.7.3 节 经典 Cartpole 环境; 4.1 节吞吐量定义。此路线不会重现硬件吞吐量数据。
isaacsim 的代码和输入#
工件或上游源。论文直接链接了这个作者的框架。 Inspected v2.2.0 是具体支持的基线;与论文基准提交的对应关系尚未确定。
检查来源: 是的。 参考: v2.2.0. 承诺: 46dff135f44683f031edf346e544fcfd8456b2bb。
文件: 源/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py;源/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py;脚本/reinforcement_learning/rsl_rl/train.py;文档/源/概述/强化学习/rl_existing_scripts.rst
条款: Isaac Lab BSD-3-条款核心; Isaac Sim 源码 Apache-2.0;运行时/资产单独的术语
环境和计算: Isaac Lab v2.2.0; Isaac Sim 5.0.0 和支持的 NVIDIA GPU/驱动程序; RSL-RL 包装器。 NVIDIA GPU 运行时;没有尝试硬件规模的训练。
输入: Isaac-Cartpole-Direct-v0,显式种子和记录的环境数量;检查配置中的任务 dt=1/120 s 和抽取=2。
数据访问: 公共来源;网络机器人资产和 NVIDIA 运行时术语。
构建并比较 isaacsim#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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
预期产出: 训练配置、日志和策略检查点;确定性 evaluation 片段;可选的美元场景清单。
与论文对比: 比较多个相同种子和不同种子奖励/剧集长度曲线。 64 个环境的教学运行不是论文吞吐量实验;匹配第 4.1 节需要精确的任务、GPU、环境计数和时序定义。
执行结果: 无执行请求;命令已在上游进行检查或明确标记为建议。
执行证据: 没有记录。
阻碍者: 未验证本地兼容 GPU 运行时;纸张基准修订版/硬件不匹配。
下一步行动: 配置经过批准的 GPU 运行程序,固定纸张环境,然后运行小型完整训练/evaluation 周期。
差距: 未验证本地兼容 GPU 运行时;纸张基准修订版/硬件不匹配。
isaacsim 的来源#
- 论文元数据和直接作者代码关联 (2026年11月15日检查)。
- 第 3.7.3 节命名了经典任务; 4.1 节定义吞吐量 (2026年11月15日检查)。
- 具体模型时间步/奖励/重置配置 (2026年11月15日检查)。
- 训练包装路线 (2026年11月15日检查)。
伊萨克实验室#
Isaac Lab — 我们能否可重复地训练、保存和评估与纸质相关的 Cartpole 策略?
路线: 软件论文示例。 执行: 不跑。 来源信心: 中等。
isaaclab 的论文#
英伟达;梅扬克·米塔尔等人。 (2025)。 Isaac Lab:用于多模态机器人学习的 GPU 加速仿真框架。 arXiv:2511.04831v1。
出版物类型: 预印本。 主要元数据。元数据验证:已确认。全文访问:打开已检查的预印本 HTML;预印本之外的出版物尚未建立
论文中的目标: 第 3.7.3 节 经典 Cartpole 环境; 4.1 节吞吐量定义。此路线不会重现硬件吞吐量数据。
isaaclab 的代码和输入#
工件或上游源。论文直接链接了这个作者的框架。 Inspected v2.2.0 是具体支持的基线;与论文基准提交的对应关系尚未确定。
检查来源: 是的。 参考: v2.2.0. 承诺: 46dff135f44683f031edf346e544fcfd8456b2bb。
文件: 源/isaaclab_tasks/isaaclab_tasks/direct/cartpole/cartpole_env.py;源/isaaclab_tasks/isaaclab_tasks/direct/cartpole/agents/rsl_rl_ppo_cfg.py;脚本/reinforcement_learning/rsl_rl/train.py;文档/源/概述/强化学习/rl_existing_scripts.rst
条款: Isaac Lab BSD-3-条款核心; Isaac Sim 源码 Apache-2.0;运行时/资产单独的术语
环境和计算: Isaac Lab v2.2.0; Isaac Sim 5.0.0 和支持的 NVIDIA GPU/驱动程序; RSL-RL 包装器。 NVIDIA GPU 运行时;没有尝试硬件规模的训练。
输入: Isaac-Cartpole-Direct-v0,显式种子和记录的环境数量;检查配置中的任务 dt=1/120 s 和抽取=2。
数据访问: 公共来源;网络机器人资产和 NVIDIA 运行时术语。
构建并比较 isaaclab#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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
预期产出: 训练配置、日志和策略检查点;确定性 evaluation 片段;可选的美元场景清单。
与论文对比: 比较多个相同种子和不同种子奖励/剧集长度曲线。 64 个环境的教学运行不是论文吞吐量实验;匹配第 4.1 节需要精确的任务、GPU、环境计数和时序定义。
执行结果: 无执行请求;命令已在上游进行检查或明确标记为建议。
执行证据: 没有记录。
阻碍者: 未验证本地兼容 GPU 运行时;纸张基准修订版/硬件不匹配。
下一步行动: 配置经过批准的 GPU 运行程序,固定纸张环境,然后运行小型完整训练/evaluation 周期。
差距: 未验证本地兼容 GPU 运行时;纸张基准修订版/硬件不匹配。
isaaclab 的来源#
- 论文元数据和直接作者代码关联 (2026年11月15日检查)。
- 第 3.7.3 节命名了经典任务; 4.1 节定义吞吐量 (2026年11月15日检查)。
- 具体模型时间步/奖励/重置配置 (2026年11月15日检查)。
- 训练包装路线 (2026年11月15日检查)。
穆霍科#
MuJoCo — 我们可以运行论文 Cartpole 环境并重现其显式四元数示例吗?
路线: 软件论文示例。 执行: 执行的示例。 来源信心: 高。
mujoco用纸#
尤瓦尔·塔萨等人。 (2018)。 DeepMind 控制套件。 arXiv:1801.00690v1。
出版物类型: 预印本。 主要元数据。元数据验证:已确认。全文访问:打开原稿 HTML 检查
论文中的目标: 第 4 节 suite.load Cartpole swingup 和重置/步骤情节示例;第 5 节四元数到矩阵的示例。
mujoco 的代码和输入#
工件或上游源。 Paper 明确发布了由 MuJoCo 提供支持的 DeepMind Control Suite。现代套件与 2018 年发动机不同。
检查来源: 是的。 参考: 主要在检查。 承诺: d7e52e3602a555df6cc20cc928ea5b41e9920158。
文件: dm_control/suite/cartpole.py; dm_control/suite/cartpole.xml;自述文件.md
条款: 阿帕奇-2.0; MuJoCo Apache-2.0
环境和计算: 孤立的Python 3.12; dm-control==1.0.52;冻结所有已解析的 MuJoCo 依赖项。中央处理器;省略渲染以避免显示依赖性。
输入: 纸推杆摆动;环境和动作生成器的seed=42;四元数 (0.5,0.5,0.5,0.5)。
数据访问: 公共代码和捆绑的 MJCF 资产。
构建并比较 mujoco#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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)
预期产出: 一个完整的情节轨迹和摘要;四元数矩阵与明确打印的纸质矩阵进行比较。
与论文对比: 纸张矩阵为 [[0,0,1],[1,0,0],[0,1,0]]。精确检查公差1e-12;运行纸质情节循环并验证有限状态/奖励。这些检查不会重现学习算法性能曲线。
执行结果: 现代 dm-control 1.0.52:1000 Cartpole swingup 步骤超过 9.999999999999831 模拟秒;两个种子剧集完全相同。论文第5节四元数矩阵匹配为零误差(选择绝对容差1e-12)。这是纸质软件示例的执行,而不是学习基准再现。
阻碍者: 现代发动机/套件与 2018 年不同;未尝试原始学习基准。
下一步行动: 执行并保留完整剧集 CSV、包锁定、矩阵比较、源和输出哈希。
差距: 现代发动机/套件与 2018 年不同;未尝试原始学习基准。
穆乔科的来源#
- 论文元数据 (2026年11月15日检查)。
- 实际示例 API 和打印矩阵 (2026年11月15日检查)。
- 作者任务执行 (2026年11月15日检查)。
- 安装和支持的simulation后端 (2026年11月15日检查)。
广州卡#
Gazebo — 孤立的同种子 PPO 运行是否会产生相同的检查点和 evaluation 曲线?
路线: 论文结果候选人。 执行: 执行的示例。 来源信心: 高。
gz-sim 纸张#
阿迈勒·德夫·哈里德万;康俊杰;单金军(2026)。 GzDRL: Reproducible and Scalable Deep Reinforcement Learning with Gazebo。 arXiv:2609.13243v1。
出版物类型: 预印本。 主要元数据。元数据验证:已确认。全文访问:打开已检查的预印本 HTML;手稿称已提交给 IEEE,出版物未建立
论文中的目标: V-B 部分,图 6,表 II:过程隔离的相同种子和不同种子 PPO 再现性。
gz-sim 的代码和输入#
工件或上游源。精确的作者论文工件、明确标记的研究工件;论文链接相同的存储库。
检查来源: 是的。 参考: 头部检查。 承诺: 3e5c5f9a62c1160b3b2889e6d34d794a5361e178.
文件: 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
条款: MIT; Gazebo/依赖性通知分开
环境和计算: 上游 Gazebo/DRLServer C++ 构建先决条件以及额外的 Python RL;冻结编译器,Gazebo 和 SB3 版本。 CPU物理和PPO; 10 次完整训练。必须记录纸质硬件以用于吞吐量声明。
输入: 作者配置:使用种子 42 进行 5 次相同种子运行;不同的种子{1,5,25,42,125};八个环境; 500000 个时间步长;每50000个检查点; 20 个确定性 evaluation 剧集。
数据访问: 公共代码和捆绑配置;没有表明私人数据。
构建并比较gz-sim#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
Upstream installation, from repository root after native build: python -m pip install -e '.[rl]'cd experiments_paper/reproducability_validationpython run_experiment.py
预期产出: 结果/确定性_check.json;每次运行检查点/evaluation 数据;分析 CSV、绘图、LaTeX 表和机器/配置清单。
与论文对比: 完整的作者代码执行和独立参数散列支持相同种子确定性。已公布的最终回报数字不予复制;没有发明宽容。历史包/编译器锁未建立,此便携式构建使用 Gazebo10.6/GCC15 加上机械构造函数消歧补丁。不运行不同种子行。人类科学审查正在等待中。
执行结果: 已完成所有 5 个完整的相同种子 500000 步请求的训练运行和 1200evaluation 集。作者预检和独立12检查点参数身份检查通过; Finalreturn16.53217 与 paper18.43 不同。
阻碍者: 论文final-return18.43未转载(实际16.53217);原始包/编译器锁和确切的paperartifact版本未建立。不同-seedTableII行无法运行。
下一步行动: 与论文作者一起审查本机任务/配置/环境差异;仅在准确的软件/配置来源得到解决后才能重现原始乐谱。
差距: 论文final-return18.43未转载(实际16.53217);原始包/编译器锁和确切的paperartifact版本未建立。不同-seedTableII行无法运行。
gz-sim 的来源#
- 论文元数据 (2026年11月15日检查)。
- 具体表 II 结果和完整的实验设置 (2026年11月15日检查)。
- 准确的作者运行命令和输出合约 (2026年11月15日检查)。
网络机器人#
Webots — Webots Cartpole 可以通过纸质 Deepbots 界面学习平衡吗?
路线: 纸模型适配。 执行: 不跑。 来源信心: 中等。
网络机器人用纸#
马诺斯·基尔塔斯;康斯坦丁诺斯·查帕齐斯;尼古拉斯·帕萨利斯;阿纳斯塔西奥斯·特法斯 (2020)。 Deepbots:基于 Webots 的机器人深度强化学习框架. 10.1007/978-3-030-49186-4_6.
出版物类型: 会议论文。 主要元数据。元数据验证:已确认。全文访问:PMC 文章搜索文本和作者文档检查;直接 PMC 打开受到访问挑战
论文中的目标: 第 4 节用例和 Cartpole 代码示例;准确发布的学习曲线设置需要全文比较。
网络机器人的代码和输入#
工件或上游源。 Deepbots 官方文档链接 deepworlds 作为其示例存储库;当前的示例实现了作者框架,但不是固定的 2020 年工件。
检查来源: 是的。 参考: 头部检查。 承诺: 4f21e555216750a4aafb84baad261aeda7cb1f74。
文件: 示例/cartpole/README.md;示例/cartpole/cartpole_discrete/worlds/cartpole_world_robot_supervisor.wbt;示例/cartpole/cartpole_discrete/controllers/robot_supervisor_manager/PPO_runner.py
条款: 在复制代码之前查看 deepworlds/deepbots 许可证和 Webots 资产声明; Webots Apache-2.0
环境和计算: Webots 以及所选示例中匹配的 Python deepbots/PyTorch/Gym 要求。 CPU simulation 和小型神经网络;需要 Webots 本机运行时。
输入: 离散动作 Cartpole 世界、机器人监督方案和 PPO 代理;保留种子、剧集长度和重置设置。
数据访问: 公共作者代码和机器人世界;没有私人数据集。
构建并比较网络机器人#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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.
预期产出: 剧集奖励情节和经过训练的代理,如作者自述文件中所示;保留策略和每集日志。
与论文对比: 恢复原始设置后与纸质Section 4 Cartpole结果进行比较;当前的自述文件rewardPlot.png 是一个线索,而不是既定的纸质数字目标。
执行结果: 无执行请求;命令已在上游进行检查或明确标记为建议。
执行证据: 没有记录。
阻碍者: 历史Deepbots/Webots/Gym版本不匹配;纸质曲线未数字化;本机运行时不可用。
下一步行动: 在接受复制目标之前,通过合法途径检索全文并将当前世界映射到纸张用例。
差距: 历史Deepbots/Webots/Gym版本不匹配;纸质曲线未数字化;本机运行时不可用。
网络机器人的来源#
- 标题/作者/年份/DOI 实时验证 (2026年11月15日检查)。
- 作者框架引用和官方 Deepworlds 链接 (2026年11月15日检查)。
- 具体的世界/控制器路线和现有的奖励图 (2026年11月15日检查)。
子弹3#
Bullet / PyBullet — 已发布的 Minitaur 小跑和疾驰控制器可以重玩吗?
路线: 论文结果候选人。 执行: 执行的示例。 来源信心: 高。
子弹3的纸#
谭杰;张廷南;埃尔文·库曼斯;阿蒂尔·伊斯森;白云飞;丹尼贾·哈夫纳;史蒂文·博赫兹;文森特·范霍克 (2018)。 Sim-to-Real: Learning Agile Locomotion For Quadruped Robots。 arXiv:1804.10332v2。
出版物类型: 会议论文。 主要元数据。元数据验证:已确认。全文访问:打开摘要和作者环境README检查;详细的实验部分未经审核
论文中的目标: 纸上小跑、奔腾的政策;作者自述文件明确标识了所使用的两个确切环境。
Bullet3 的代码和输入#
工件或上游源。作者自述文件明确指出论文中使用了这两种环境,并链接了预先训练的 PPO 示例。
检查来源: 是的。 参考: 大师在检查。 承诺: d3afe76132fc76b0f9b2359cbaef47a3766e7fbb。
文件: 示例/pybullet/gym/pybullet_envs/minitaur/envs/README.md;示例/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_reactive_env.py;示例/pybullet/gym/pybullet_envs/minitaur/envs/minitaur_trotting_env.py;示例/pybullet/gym/pybullet_data/policies/ppo/minitaur_trotting_env/config.yaml
条款: Zlib 核心;单独的示例/模型/检查点依赖项通知
环境和计算: 历史 TensorFlow-1 风格的 PPO 环境、Gym、ruamel.yaml 和兼容的 PyBullet;安装前检查导入并解析原始版本。 CPU 策略重放可以通过旧版兼容的依赖项实现;训练和体能测试是分开的。
输入: 捆绑 Minitaur URDF、PPO 检查点/配置和走纸电机/延迟/随机化配置。
数据访问: 公共源、捆绑检查点和模型;查看个人资产通知。
构建并比较bullet3#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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
预期产出: 政策推出、机器人状态/动作和步态轨迹;归档原始日志和精确的检查点哈希。
与论文对比: 已发布的策略会执行,但匹配的方法/检查点不会重现已发布的 simulation 速度。 Trot 平均值为 0.9215m/s,而纸质约为 0.50;驰骋平均值为 1.3084,SD0.5209,仅完成 2/5。没有物理模拟真实的声明。
执行结果: 重播了作者冻结的 PPO 策略,每个步态有 5 个种子;保留所有数字痕迹。
阻碍者: 已发布的表 II 策略宽度/检查点选择不匹配;原生物理修订版 not2018;没有实体机器人evaluation。
下一步行动: 恢复纸张特定的检查点/环境;同意速度估计器和容差,然后与重复的事件进行比较。
差距: 已发布的表 II 策略宽度/检查点选择不匹配;原生物理修订版 not2018;没有实体机器人evaluation。
子弹3的来源#
- 主要元数据和声明的小跑/驰骋结果 (2026年11月15日检查)。
- 显式作者关联、发布环境和重放命令 (2026年11月15日检查)。
计时#
Project Chrono — 转向和地形输入如何影响基于模板的 HMMWV 模型?
路线: 软件论文示例。 执行: 不跑。 来源信心: 中等。
计时用纸#
拉杜·塞尔班;迈克尔·泰勒;丹·内格鲁特;亚历山德罗·塔索拉 (2019)。 Chrono::Vehicle:基于模板的地面车辆建模和 simulation。 10.1504/IJVP.2019.097096.
出版物类型: 期刊_文章。 主要元数据。元数据验证:已确认。全文访问:检查出版商摘要和元数据;全文未经过检查
论文中的目标: 软件架构和地面车辆建模演示;确切的纸质图/模型标识待全文确定。
chrono 的代码和输入#
工件或上游源。当前的官方 HMMWV 示例由 Chrono 作者提供,并使用 Chrono::Vehicle(论文中描述的模块)。该实验尚未确定为 2019 年的实验。
检查来源: 是的。 参考: 主要在检查。 承诺: c2865ec31e5913838898bf9c13b1bba66804db3e。
文件: src/demos/python/vehicle/demo_VEH_HMMWV.py
条款: BSD-3-子句代码;型号/数据单独通知
环境和计算: PyChrono 带有车辆和 Irrlicht 模块,匹配提供的车辆数据;与重建所有模块相比,更喜欢受支持的二进制环境。 CPU多体动力学;显示对未修改的 Irrlicht 演示的支持。
输入: 演示中的上游 HMMWV_Full、地形、驾驶员和轮胎设置;仅将交互式驱动程序替换为保存的确定性输入作为记录的适应。
数据访问: 公共型号代码和捆绑的车辆数据。
构建并比较 chrono#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
Proposed from a matching PyChrono environment: python src/demos/python/vehicle/demo_VEH_HMMWV.py
预期产出: 互动车辆演示;为了实现可重复性,添加记录的车辆位置、速度、转向输入和模型配置。
与论文对比: 首先检查记录的驱动程序输入下的有限状态和可重复性。在比较已发布的轨迹或响应曲线之前,先确定纸面图形和网格/轮胎/地形设置。
执行结果: 无执行请求;命令已在上游进行检查或明确标记为建议。
执行证据: 没有记录。
阻碍者: 完整文章和确切发布的模型/响应未经检查;演示是交互式的,当前 API 与 2019 年不同。
下一步行动: 从 Chrono 官方白皮书列表中获取作者手稿,提取目标人物,然后选择与其匹配的模型版本。
差距: 完整文章和确切发布的模型/响应未经检查;演示是交互式的,当前 API 与 2019 年不同。
计时码表的来源#
- 已验证的实时 DOI/标题/作者 (2026年11月15日检查)。
- 主要出版记录和摘要 (2026年11月15日检查)。
- 具体作者 HMMWV 模型和依赖关系 (2026年11月15日检查)。
沙发#
SOFA — 肌腱位移如何使有限元软手指弯曲?
路线: 纸模型适配。 执行: 不跑。 来源信心: 中等。
沙发用纸#
尤拉莉·库沃特等人。 (2017)。 用于软体机器人建模、simulation 和控制的软件工具包. 10.1080/01691864.2017.1395362.
出版物类型: 期刊_文章。 主要元数据。元数据验证:已确认。全文访问:检查出版商摘要和作者出版物元数据;未检查完整模型/结果
论文中的目标: 文章中描述的直接前向软体机器人simulation;当前的 CableConstraint/Finger.py 是一个与作者相关的教学模型,而不是经过验证的确切数字。
沙发的代码和输入#
工件或上游源。本文介绍了基于 SOFA 的工具包。当前官方插件源提供了电缆驱动的 FEM 手指;特定于纸张的历史网格和常量未经验证。
检查来源: 是的。 参考: 大师在检查。 承诺: 3dadbaff9f50b379bf1cc680b379b74810751ee0。
文件: 示例/组件/约束/CableConstraint/Finger.py;示例/组件/约束/CableConstraint/FingerController.py;示例/组件/约束/CableConstraint/mesh/finger.vtk
条款: SoftRobots LGPL-3.0 根据实时存储库许可证元数据; SOFA LGPL-2.1;依赖项分开
环境和计算: SOFA 具有匹配的 SoftRobots 和 SofaPython3 插件;保留完整的组件/插件版本。 CPU有限元法; SOFA 本机运行时和插件;可选显示。
输入: 捆绑手指网;源设置 dt=0.01 和重力=[0,-9810,0](模型单位);检查并保留材料、约束和执行器定义。
数据访问: 公共来源和提供的网格;验证网格重新分布项。
沙发的构造和比较#
下面的序列包含上游命令和建议的设置说明,如标签所示。此处仅运行执行证据中标识的命令;在运行之前检查固定源和先决条件。
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.
预期产出: 变形的手指场景,以及在安装仪器后的位移与驱动序列和收敛日志。
与论文对比: 获得全文后,比较纸张致动器/网格/材料设置和特定偏转曲线。合理的弯曲动画或收敛的线性求解并不能建立纸张再现。
执行结果: 无执行请求;命令已在上游进行检查或明确标记为建议。
执行证据: 没有记录。
阻碍者: 精确的 2017 年模型、网格、材料参数和数值目标不匹配;本机插件堆栈不可用。
下一步行动: 检索合法作者的手稿,绘制一项正向电缆驱动实验,然后测量精确的网格和加载。
差距: 精确的 2017 年模型、网格、材料参数和数值目标不匹配;本机插件堆栈不可用。
沙发的来源#
- 经过验证的实时主要引文元数据 (2026年11月15日检查)。
- 论文链接工具包并说明 SOFA 建模关系 (2026年11月15日检查)。
- 实际网格/插件/执行器场景源 (2026年11月15日检查)。