View a markdown version of this page

Trainieren Sie eine Richtlinie zur Robotermanipulation mit MuJoCo der Deadline Cloud - Deadline Cloud

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Trainieren Sie eine Richtlinie zur Robotermanipulation mit MuJoCo der Deadline Cloud

Das Jobpaket mujoco_sim_to_policy auf der GitHub Website trainiert und rendert eine gelernte Richtlinie zur Robotermanipulation auf Deadline Cloud. Dabei wird eine Simulation der Strands Robots verwendet, sodass sie auf der Website eingreifen. MuJoCo MuJoCo Der Job läuft in drei Schritten ab, die von verwalteten GPU-Workern abhängig sind:

  1. Datagen — Skriptgesteuerte Auswahl eines Würfels im Joint-Space MuJoCo, aufgezeichnet als Datensatz. LeRobot Jede Episode wird durch eine Würfelhöhenprüfung verifiziert und bei Fehlschlagen verworfen.

  2. Trainieren — Optimiert eine LeRobot ACT-Richtlinie für den generierten Datensatz (CUDA).

  3. Rendern — Führt einen MuJoCo Rollout mit der Feinabstimmung durch und zeichnet das Ergebnis als MP4-Video und PNG-Frames auf.

Das Paket erfordert eine Linux-x86_64-GPU-Flotte (Steps rendern headless durch EGL und trainieren auf CUDA) und eine Conda-Warteschlangenumgebung, die die und -Job-Parameter verwendet. CondaPackages CondaChannels python=3.12 pip git ffmpegDie conda-forge Standard-Conda-Pakete sind aktiviert.

Senden Sie den Job aus dem job_bundles Verzeichnis ab:

OUT="$(pwd)/output"; mkdir -p "$OUT"
deadline bundle submit mujoco_sim_to_policy -p "OutputDir=$OUT" --yes