通过深度强化学习实现基于单眼视觉的避障 由，，尼基trigoni，安德鲁·马卡姆。 本文的张量流实现： 内容 介绍 该存储库包含： 1.Training代码。 我们编写自己的培训代码，但直接使用提供的代码构建模式。 （我们在存储库中保留了Iro的许可证） 2.用于训练FCRN的数据预处理代码。 3.在Gazebo模拟器中使用turtlebot2进行D3QN（具有决斗架构的Double Deep Q网络）的训练代码。 4，在现实世界中使用turtlebot2测试D3QN的代码 5，tensorflow和ros之间的接口代码 D3QN的网络模型与本文稍有不同，因为我们发现此版本具有更好的性能。 您可以在获得我们真实世界实验的视频 先决条件 Tensorflow> 1.1 ROS动力学 cv2 操作说明 再培训FCRN 我们在/Depth/data文件夹中有一个用turtlebo

结合学习视频各个要点进行的记录

代码用vs2008 c# 实现 状态维数5维，动作维数5维，可以使用网络调试助手连接调试，具体内容见代码

MuJoCo的RL 该软件包包含用于用模拟的连续控制任务的各种RL算法的实现 安装 主要的软件包依赖项是MuJoCo ， python=3.7 ， gym>=0.13 ， mujoco-py>=2.0和pytorch>=1.0 。 有关详细的安装说明，请参阅setup/README.md （）。 参考书目 如果您觉得该包装有用，请引用以下文件。 @INPROCEEDINGS{Rajeswaran-NIPS-17, AUTHOR = {Aravind Rajeswaran and Kendall Lowrey and Emanuel Todorov and Sham Kakade}, TITLE = "{Towards Generalization and Simplicity in Continuous Control}", BOOKTITLE =

代码中包含13种强化学习算法，所调用的环境不仅包含gym下面的一些简单环境，还可以自己设计环境（简单的迷宫游戏），简洁明了，适合算法学习的同学使用，其中A3C与PPO还涉及了并行运算的算法。

DRL深度强化学习无人机路径规划程序源码

针对内埋式永磁同步电动机(IPMSM)给出了d-q轴数学模型，分析了基于空间电压矢量脉宽调制(SVPWM)的IPMSM定子电流最优控制策略．采用最大转矩/电流比(MTPA)和Openloop Flux-weakenin9控制算法，给出其参考电流调节器、电流解耦控制器等模块的实现方法，并在 Matlab/Simulink环境下构建了基于该控制策略IPMSM调速系统的仿真模型，并在此基础上进行了大量仿真研究．仿真结果表明，电流矢量的波形变化轨迹满足最优定子电流矢量轨迹的变化趋势，系统能够平稳运行，并具有较好的

在国内，腾讯 AI Lab 也一直致力于 AI+游戏的研究。近日，基于腾讯天美工作室开发的热门 MOBA 类手游《王者荣耀》，腾讯 AI Lab 公布了一项用深度强化学习来为智能体预测游戏动作研究成果。 该论文已被 AAAI 2020 接收。

sumo-rl-master.zip

d4rl-小球 使用Pybullet环境进行数据驱动的深度强化学习的数据集。 这项工作旨在通过开源项目符号模拟器为数据驱动的深度强化学习提供数据集，从而鼓励更多的人加入该社区。 该存储库建立在。 但是，当前，如果不检查MuJoCo激活密钥就无法导入d4rl，这会使程序失败。 因此， d4rl_pybullet.offline_env是直接从复制的。 安装 $ pip install git+https://github.com/takuseno/d4rl-pybullet 用法 该API与原始d4rl基本相同。 import gym import d4rl_pybullet # dataset will be automatically downloaded into ~/.d4rl/datasets env = gym . make ( 'hopper-bullet-mixed-v0