Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Développez une politique de manipulation de robots avec MuJoCo Deadline Cloud
<a name="examples-jb-mujoco"></a>

Le job bundle [mujoco\_sim\_to\_policy forme et affiche une politique](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) de manipulation robotique apprise sur Deadline Cloud à l'aide d'une simulation du bras So100 de Strands Robots. [MuJoCo](https://mujoco.org/) La tâche exécute trois étapes dépendantes des processeurs graphiques gérés :

1. **Datagen** — Sélection d'un cube dans un espace joint scripté MuJoCo, enregistrée sous forme de jeu de données. LeRobot Chaque épisode est vérifié par une vérification de la hauteur du cube et supprimé en cas d'échec.

1. **Entraîner** : affine une politique LeRobot ACT sur le jeu de données généré (CUDA).

1. **Rendu** : pilote un MuJoCo déploiement selon une politique affinée et enregistre le résultat sous forme de vidéo MP4 et d'images PNG.

Le bundle nécessite un parc de processeurs graphiques Linux x86\_64 (les étapes sont rendues sans tête via EGL et s'entraînent sur CUDA) et un environnement de file d'attente conda qui consomme les paramètres de la tâche et. `CondaPackages` `CondaChannels` Les packages conda par défaut sont `python=3.12 pip git ffmpeg` activés`conda-forge`.

Depuis le `job_bundles` répertoire, soumettez le job :

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