用于机器人学习和具身AI领域研究的模块化框架

用于机器人学习和具身AI领域研究的模块化框架 RoboHive 生态系统包含一系列预先存在的和新颖的环境,包括 Shadow Hand 的灵巧操纵、Franka 和 Fetch 机器人的全臂操纵任务以及各种四足运动任务。 与之前的作品相比,RoboHive 提供了精简且统一的任务界面,利用最新的模拟绑定,具有丰富的视觉多样性任务,并支持现实世界开发的通用硬件驱动程序。 RoboHive 的统一界面为研究人员提供了一个方便且易于访问的平台来研究多种学习范式,例如模仿、强化、多任务和分层学习。 RoboHive 还包括大多数环境的专家演示和基线结果,为基准测试和比较提供了标准。 特征: 最广泛、多样化的任务集合 完全可定制的视觉丰富的任务,专为行为泛化而设计。 奖励不可知的任务成功指标 支持多种算法系列+预训练基线 Sim 和硬件无关的机器人类,可在 sim <> real 之间轻松转换 远程操作支持。人类+专家数据集 | #框架

相关推荐

封面图片

华为云发布盘古具身智能大模型:“夸父”人形机器人亮相

华为云发布盘古具身智能大模型:“夸父”人形机器人亮相 据介绍,盘古大模型能够让机器人完成10步以上的复杂任务规划,并且在任务执行中实现多场景泛化和多任务处理。同时盘古大模型还能生成机器人需要的训练视频,让机器人更快地学习各种复杂场景。大模型的多模态能力以及思维能力的快速提升,使机器人能够模拟人类常识进行逻辑推理,并在现实环境中高效精准地执行任务,从而有效解决了复杂环境感知与物理空间认知的难题。通过集成多场景泛化和多任务处理能力,不论是生活场景还是工业场景,都能游刃有余的应对。大会现场展示中,“夸父”可以通过识别物品、问答互动、击掌、递水等互动演示,直观展示了双方基于盘古大模型的合作成果。通过模仿学习策略显著提升了人形机器人的双臂操作能力,实现了软硬件层面的协同优化,不仅增强了机器人综合性能,还克服了小样本数据训练的局限性,推动了泛化操作能力的边界。张平安在大会上表示,除了人形机器人,盘古具身智能大模型还可以赋能多种形态的工业机器人和服务机器人,让它们帮助人类去从事危险和繁重的工作。具身智能大模型可以让机器人作用更加广泛,未来真正实现让AI机器人帮助我们去洗衣、做饭、扫地,让我们有更多的时间去看书,写诗,作画。 ... PC版: 手机版:

封面图片

基于Golang模块化完整的基础设施框架,创建现代化Web应用和APIs | 特征:

基于Golang模块化完整的基础设施框架,创建现代化Web应用和APIs | 特征: Unified configuration:所有配置都合并为. /farseer.yaml Elegant:所有模块都遵循开发者体验第一的原则。 Modularity:提供完整的模块化系统,允许您开发可重用的应用程序模块。 Domain-driven:帮助您实现基于DDD的分层架构,构建可维护的代码库。 link tracking(下个版本即将推出):如果你使用框架Orm、Redis、Http、Grpc、ES、MQ、EventBus、Task、fSchedule,会隐式为你实现链接跟踪并提供API请求日志、慢速查询。 结合(自动构建、链路追踪控制台、K8S集群日志采集)支持代码非侵入式全链路实时监控。

封面图片

:完全重写的Keras代码库,基于模块化后端架构进行重构,可以在任意框架上运行Keras工作流,包括TensorFlow、JAX

:完全重写的Keras代码库,基于模块化后端架构进行重构,可以在任意框架上运行Keras工作流,包括TensorFlow、JAX和PyTorch。 新功能包括:完整的Keras API,适用于TensorFlow、JAX和PyTorch;跨框架的深度学习低级语言;与JAX、PyTorch和TensorFlow原生工作流的无缝集成;支持所有后端的跨框架数据流水线;预训练模型等

封面图片

– 创建可重现、可维护和模块化的数据科学代码 。

– 创建可重现、可维护和模块化的数据科学代码 。 Kedro 是一个开源 Python #框架 ,用于创建可重现、可维护和模块化的数据科学代码。 它借鉴了软件工程的概念并将其应用于机器学习代码; 应用的概念包括模块化、关注点分离和版本控制

封面图片

机器学习/深度学习一切主题 (学习范式/任务/应用/模型/道德/交叉学科/数据集/框架/教程) 的资源列表汇总此列表包含380+

机器学习/深度学习一切主题 (学习范式/任务/应用/模型/道德/交叉学科/数据集/框架/教程) 的资源列表汇总此列表包含380+条目(2021年12月),这个项目的愿景是: 帮助初学者理解 #机器学习 的各种分支和最新进展; 帮助研究者快速熟悉、了解新的研究方向; 帮助工程师寻找合适的教程和工具以解决实际问题

封面图片

一个基于 Nvidia Isaac Gym 的易于使用的强化学习 (RL) 框架,旨在训练人形机器人的运动技能,强调从模拟到现实

一个基于 Nvidia Isaac Gym 的易于使用的强化学习 (RL) 框架,旨在训练人形机器人的运动技能,强调从模拟到现实环境的零样本迁移。Humanoid-Gym还集成了从Isaac Gym到Mujoco的sim-to-sim框架,允许用户在不同的物理模拟中验证训练好的策略,以确保策略的鲁棒性和泛化性。 该代码库由 RobotEra 的 XBot-S(1.2 米高的人形机器人)和 XBot-L(1.65 米高的人形机器人)在现实环境中进行了验证,具有零样本模拟到真实的传输。 | #框架

🔍 发送关键词来寻找群组、频道或视频。

启动SOSO机器人