这段文字主要讲述了作者使用机器学习训练Biddle机器狗走路的经历。作者首先介绍了机器学习训练机器狗走路的挑战,因为机器狗的步态通常是人工编码的,而机器学习需要从零开始学习。
作者为了简化问题,使用了一个双足步行环境,这个环境类似于机器狗的行走环境,但更易于迭代。作者解释了双足步行环境的特性,包括连续的伺服位置和目标是向前行走而不跌倒。
作者随后介绍了用于连续控制的强化学习算法,特别是DDPG(深度确定性策略梯度)和Actor-Critic算法。作者指出,这些算法能够输出连续值,可以用来控制机器狗的伺服位置。
最后,作者讨论了机器狗学习走路所需的输入信息,包括激光雷达、地面接触传感器、电机位置和速度,以及整体角度。
总而言之,这段文字描述了作者使用机器学习训练机器狗走路的尝试,包括简化问题、选择合适的算法和确定必要的输入信息。作者强调了机器学习训练机器狗走路的难度,以及机器学习在现实应用中的挑战。
机器人模拟冒险视频第二部分,涵盖了我在 Isaac 模拟器中使用 Bittle 机器人进行强化学习的尝试。此项目的代码库:https://github.com/Sentdex/TD3-Bittle更多关于 Puget 的信息:https://hubs.ly/H0-By8Q0实际的 Petoi Bittle 机器人可以在这里找到:https://www.petoi.com/collections/robots/products/petoi-bittle-robot-dog?variant=40388667834552&utm_source=sendex&utm_campaign=bittle&utm_content=simulator2从零开始的神经网络书籍:https://nnfs.io