Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Addestra una politica di manipolazione dei robot con MuJoCo Deadline Cloud
<a name="examples-jb-mujoco"></a>

Il job bundle [mujoco\_sim\_to\_policy addestra e rende una policy](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) di manipolazione robotica appresa su Deadline Cloud utilizzando una simulazione del braccio strands Robots so100. [MuJoCo](https://mujoco.org/) Il job esegue tre passaggi dipendenti dai GPU worker gestiti:

1. **Datagen**: selezione di un cubo in uno spazio congiunto tramite script, registrata come set di dati. MuJoCo LeRobot Ogni episodio viene verificato mediante un controllo dell'altezza del cubo e scartato se fallisce.

1. **Train**: ottimizza una politica LeRobot ACT sul set di dati generato (CUDA).

1. **Render**: consente l' MuJoCoimplementazione con la politica di ottimizzazione e registra il risultato come video MP4 e frame PNG.

Il pacchetto richiede una flotta di GPU Linux x86\_64 (i passaggi vengono renderizzati senza testa tramite EGL e addestrati su CUDA) e un ambiente di coda conda che utilizza i parametri e job. `CondaPackages` `CondaChannels` I pacchetti conda predefiniti sono attivi. `python=3.12 pip git ffmpeg` `conda-forge`

Dalla `job_bundles` directory, invia il lavoro:

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