本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 在 Deadline Cloud MuJoCo 上训练机器人操纵策略
<a name="examples-jb-mujoco"></a>

[mujoco\_sim\_to\_policy 工作捆绑包使用对 St](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) rands Robots so100 手臂的模拟，在 Deadline Cloud 上训练和渲染学习过的机器人操纵策略。[MuJoCo](https://mujoco.org/)该作业在托管 GPU 工作线程上运行三个依赖步骤：

1. **Datagen** — 脚本化的 joint-space 选取立方体 MuJoCo，记录为数据集。 LeRobot 每集都通过立方体高度检查进行验证，如果失败，则将其丢弃。

1. **训练** — 对生成的数据集 (CUDA) 微调 LeRobot ACT 策略。

1. **渲染** — 使用微调策略推动 MuJoCo推出，并将结果记录为 MP4 视频和 PNG 帧。

该捆绑包需要一个 Linux x86\_64 GPU 队列（步骤通过 EGL 无头渲染并在 CUDA 上训练）和一个消耗和任务参数的 conda 队列环境。`CondaPackages` `CondaChannels`默认的 conda 软件包已`python=3.12 pip git ffmpeg`开启。`conda-forge`

从`job_bundles`目录中提交作业：

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