ac-93/tactile_gym
Suite of PyBullet reinforcement learning environments targeted towards using tactile data as the main form of observation.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tuần
🤖 Tactile Gym 2.0: Môi trường RL dùng dữ liệu chạm làm trọng tâm
Bộ môi trường PyBullet dành cho học tăng cường trong robotics, nơi dữ liệu chạm (tactile) trở thành nguồn quan sát chính thay vì tầm nhìn truyền thống.
Tactile Gym 2.0 là phiên bản nâng cấp từ Tactile Gym 1.0, được thiết kế để hỗ trợ nghiên cứu về robot chạm thực tế. Dự án tích hợp ba loại cảm biến chạm khác nhau bao gồm DigiTac, DIGIT và TacTip — đại diện cho hai phong cách chạm phổ biến: Tactip style và Gelsight style. Ngoài ra, dự án còn kết nối với robot công nghiệp DOBOT MG400 và UR5, cho phép chuyển giao chính sách học được từ mô phỏng sang thế giới thực mà không cần fine-tuning.
✨ Điểm nổi bật
- Hỗ trợ nhiều cảm biến chạm: Tích hợp DigiTac, DIGIT, TacTip — hai phong cách Tactip và Gelsight.
- Tích hợp robot thực tế: Hỗ trợ DOBOT MG400 và UR5, áp dụng cho môi trường sim-to-real.
- Chuyển giao chính sách mượt mà: Học chính sách trong mô phỏng và áp dụng trực tiếp trên robot thực tế.
- Đa dạng nhiệm vụ RL: Bao gồm edge_follow, surface_follow, object_push, object_roll, object_balance.
- Dựa trên PyBullet: Môi trường mô phỏng vật lý chuẩn cho robot và cảm biến chạm.
- Mã nguồn mở GPL v3: Dễ tiếp cận và mở rộng cho nghiên cứu học thuật.
- Cài đặt đơn giản: Hỗ trợ cài đặt qua setup.py, chạy trên Ubuntu 18.04 + Python 3.8.
- Ví dụ minh họa đầy đủ: Cung cấp demo môi trường người dùng có thể điều khiển.
💡 Vì sao đáng chú ý
Khác với các bộ môi trường RL khác thường dùng tầm nhìn hoặc telemetry, Tactile Gym 2.0 đặt dữ liệu chạm làm trọng tâm — mở ra hướng nghiên cứu mới cho robot tương tác dựa trên cảm quan chạm. Điểm mạnh nằm ở khả năng kết nối trực tiếp với robot thực tế như DOBOT MG400 và UR5, cùng khả năng chuyển giao chính sách từ mô phỏng sang thực tế mà không cần điều chỉnh thêm — rất hữu ích cho ứng dụng công nghiệp.
#TactileRobotics #PyBullet #ReinforcementLearning #Sim2Real #OpenSource #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
A modular high-level library to train embodied AI agents across a variety of tasks and environments.
Bullet Physics SDK: real-time collision detection and multi-physics simulation for VR, games, visual effects, robotics, machine learning etc.
High-quality single file implementation of Deep Reinforcement Learning algorithms with research-friendly features (PPO, DQN, C51, DDPG, TD3, SAC, PPG)
AwesomeSim2Real - An update-to-date Sim-to-Real repo of "Survey of Sim-to-Real Methods in RL: Progress, Prospects and Challenges with Foundation Models"
UR10 Reacher Reinforcement Learning Sim2Real Environment for Omniverse Isaac Gym/Sim
The Unity Machine Learning Agents Toolkit (ML-Agents) is an open-source project that enables games and simulations to serve as environments for training intelligent agents using deep reinforcement learning and imitation learning.