PCL SAC-IA所用人脸点云，PCL template_alignment例程所用点云，有object_templates_0.pcd-object_templates_5.pcd、object_templates.txt、person.pcd

用于读取地震数据的sac文件，包括头文件的读取和写入。

SAC 使用Tensorflow的Soft Actor-Critic实现。 要求 Python3 依存关系 张量流 健身房[atari] 的OpenCVPython的 git + 用法 训练 $ python train.py [--render] 玩 $ python train.py [--render] [--load {path of models}] --demo 执行 这受到以下项目的启发。

低压电器国家标准和行业标准明细表 ，可以查看IEC对应GB关系，方面了解国标引用IEC的情况，SAC/TC 189全国低压电器标准化技术委员会、SAC/TC 189/SC1全国低压电器标准化技术委员会家用断路器和类似设备分技术委员会

可读，可重用，可扩展 Machin是为pytorch设计的增强库。 支持的型号 任何事物，包括循环网络。 支持的算法 当前，Machin已实现以下算法，该列表仍在增长： 单代理算法： 多主体算法： 大规模并行算法： 增强功能： 支持的算法： 进化策略 基于模型的方法 特征 1.可读 与其他强化学习库（例如著名的 ， 和。 Machin尝试仅提供RL算法的简单明了的实现。 Machin中的所有算法均以最小的抽象设计，并具有非常详细的文档以及各种有用的教程。 2.可重复使用 Machin采用与pytorch类似的方法，将算法和数据结构封装在自己的类中。 用户无需设置一系列data collectors ， trainers ， runners ， samplers ...即可使用它们，只需导入即可。 模型上的唯一限制是它们的输入/输出格式，但是，这些限制很小，可以轻松地使算法适

可以处理地震数据波，求取互相关3D Focal Mechanisms is a tool for viewing earthquake focal mechanism symbols three dimensionally

深度强化学习算法 该存储库将使用PyTorch实现经典的深度强化学习算法。 该存储库的目的是为人们提供清晰的代码，以供他们学习深度强化学习算法。 将来，将添加更多算法，并且还将保留现有代码。 当前实施 深度Q学习网络（DQN） 基本DQN 双Q网络 决斗网络架构 深度确定性策略梯度（DDPG） 优势演员评判（A2C） 信任区域策略梯度（TRPO） 近端政策优化（PPO） 使用克罗内克因素信任区域（ACKTR）的演员评论家 软演员评论（SAC） 更新信息 :triangular_flag: 2018年10月17日-在此更新中，大多数算法已得到改进，并添加了更多关于图的实验（DPPG除外）。 PPO现在支持atari游戏和mujoco-env 。 TRPO非常稳定，可以得到更好的结果！ :triangular_flag: 2019-07-15-在此更新中，不再需要为openai基准安装。 我在rl__utils模块中集成了有用的功能。 DDPG也重新实现，并支持更多结果。 自述文件已被修改。 代码结构也有微小的调整。 :triangular_flag: 201

Soft Actor-Critic（SAC）算法tensorflow实现，SAC是深度强化学习中对于连续动作控制的又一经典。

LearningRacer-rl 概述 该软件能够在几分钟内通过深度强化学习来自我学习您的AI Robocar。 您可以使用Real Robocar和DonkeySim。 1.说明 许多DIY自驾车，例如JetBot或JetRacer，DonkeyCar，都通过监督学习来使用行为克隆。 该方法需要通过人工演示收集很多标记的数据。 在这种情况下，人类驾驶技术非常重要。 另一方面，在此软件中使用深度强化学习（DRL）。 通过与环境的交互，可以自动获得运行行为。 不需要人类标签的样本数据。 另外，该软件代理可以在Jetson Nano上运行。 为什么可以在Jetson Nano上运行并且学习时间短？ 因为使用了SAC（软演员评论家）和VAE的集成。 SAC是最新的政策外强化学习方法。 另外，VAE预先在云服务器上作为SAC的CNN层进行训练。（这种方法称为状态表示学习）。 此方法由An

matlab ransac代码囊 ＃代码结构 这些代码由两部分组成。 样本共识方法和实现 目前，仅包括ransac ， prosac和mlesac共识方法。 其他方法可能会在以后添加。 模型估计实施 目前只有两个模型估计包括为样本， homography_estimator和line_estimator 。 您可以根据提供的这些样本来实现其他模型估计量。 稍后将添加有关此内容的更多文档。 ＃代码来源这些代码不是我的！ 我已经从这个伟大的项目中复制了这些实现。 这项工作已经完成了很多工作，因此，如果您在出版物中使用此代码，请引用该项目。 提供了有关如何引用该项目的详细信息。 我热烈的感谢。 我更改了这些代码，以便可以使用MATLAB中的MEX来编译模型估计代码。 有关homography_estimator.cpp形估计模型的实现，请参见line_estimator.cpp ；有关线性估计模型的实现，请参见line_estimator.cpp 。 您可以使用这些模板来实现其他估算模型。 #Dependencies 主项目依赖于一些外部项目。 但是，在提供的代码中几乎删除了所有这些依赖项。