기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# Deadline Cloud에서 MuJoCo를 사용하여 로봇 조작 정책 훈련
<a name="examples-jb-mujoco"></a>

[mujoco\_sim\_to\_policy](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) 작업 번들은 Strands Robots so100 arm의 [MuJoCo](https://mujoco.org/) 시뮬레이션을 사용하여 Deadline Cloud에서 학습된 로봇 조작 정책을 훈련하고 렌더링합니다. 작업은 관리형 GPU 작업자에 대해 세 가지 종속 단계를 실행합니다.

1. **Datagen** - LeRobot 데이터 세트로 기록된 MuJoCo에서 큐브의 스크립팅된 관절 공간 선택입니다. 각 에피소드는 큐브 높이 확인으로 확인되며 실패하면 폐기됩니다.

1. **훈련** - 생성된 데이터 세트(CUDA)에서 LeRobot ACT 정책을 미세 조정합니다.

1. **렌더링** - 미세 조정된 정책을 사용하여 MuJoCo 롤아웃을 구동하고 결과를 MP4 비디오 및 PNG 프레임으로 기록합니다.

번들에는 Linux x86\_64 GPU 플릿(단계는 EGL을 통해 헤드리스 렌더링되고 CUDA에서 훈련됨)과 `CondaPackages` 및 `CondaChannels` 작업 파라미터를 사용하는 conda 대기열 환경이 필요합니다. 기본 conda 패키지는 `python=3.12 pip git ffmpeg`에 있습니다`conda-forge`.

`job_bundles` 디렉터리에서 작업을 제출합니다.

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