展会中各显神通的元宇宙;哪有什么实战啊,就是81个Python改;有颜值也有正义Enso互动编程;AI前沿论文 | ShowMeAI资讯日报

robosuite详细安装指南 - ubuntu robosuite是一个针对机器人学习(robot learning)的python仿真包,本文介绍如何在ubuntu环境安装robosuite,以便进行机器人学习的开发; 阅读详情

ShowMeAI日报系列全新升级!覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

🌌 展会中的『元宇宙』产业生态:八仙过海

7月8日,厦门工业博览会,『元宇宙』超写实虚拟人『飞菲』,借由高精度摄像头的面部捕捉数据、穿戴设备的动作捕捉数据,打开了时空之门,在展会多场景之间随意切换。9月将在北京举办的 2022 年服贸会也将推出元宇宙主题馆,展示全球巨头的商业布局和技术应用。北京的盆友可以前往『元宇宙内容制作』、『元宇宙场景应用』两个专区大饱眼福。

工具&框架

🚧 『robosuite』 机器人学习模块化仿真框架与基准

https://github.com/ARISE-Initiative/robosuite

paper: robosuite: A Modular Simulation Framework and Benchmark for Robot Learning

robosuite 是一个由 MuJoCo 物理引擎驱动的仿真框架,提供了一套用于可重复研究的基准环境,用于机器人学习。robosuite 最初由斯坦福大学开发并作为内部工具,现在被用于 SVL 和 RPL 等实验室的机器人研究项目。为了降低了AI与机器人交叉领域的研究门槛,框架已经对外部开放啦,而且社区维护得很不错~

🚧 『Quickbuild (qb)』 零配置构建系统,在 Linux、Windows 和 MacOS 上快速构建 C/C++ 项目

https://github.com/codecat/qb

🚧 『SecretFlow(隐语)』 隐私保护数据分析和机器学习统一框架

https://github.com/secretflow/secretflow

SecretFlow 作为一个 unified framework(统一框架),提供了抽象设备层 Abstract Device Layer、设备流层 Device Flow Layer、算法层 Algorithm Layer、工作流层 Workflow Layer,被用于『保护隐私的数据智能』以及『机器学习』。

🚧 『Enso』 具有视觉和文本双重表示的交互式编程语言

https://github.com/enso-org/enso

Enso 重新定义了数据处理方式——互动 & 提供智能协助。正是因为 Enso 的设计有着扎实的数学基础,它的数据洞察效率和准确度都值得信赖。而且!Enso 横跨整个堆栈,既有视觉也有文本,一种语言就可以完成所有操作!

博文&分享

📚 『语音增强初探 Guidebook』:先带你简单入个门

https://github.com/WenzheLiu-Speech/The-guidebook-of-speech-enhancement

https://wenzheliu-speech.github.io/The-guidebook-of-speech-enhancement/se_development.pdf

2018年以来,语音增强领域的学术研究、工业实践等均发展迅速。作者发现这个领域既没有文献综述,也没有比较全面的推荐博文,于是乎自己动手做一个,就有了这个项目!GitHub 首先完成了基于深度学习的单通道语音增强算法部分,后续可能会拓展去混响、AEC、AGC和阵列部等,目前火热更新中~

📚 『Python小项目全集』免费书电子书

https://inventwithpython.com/bigbookpython

这本《The Big Book of Small Python Projects》书包含 81 个 Python 练手小项目合集,包括游戏、动画、迷宫和模拟等。作者 Al Sweigart 『授之以轮』,书的内容设计保证了高趣味性和实用性,带你看懂每个项目的代码原理,还鼓励你对轮子疯狂魔改~

数据&资源

🔥 『持续学习』术语集(持续补全中)

https://github.com/arthurdouillard/continual-learning-terminology

在持续学习领域,一个术语关键词 ≈ 一个定义。理想情况下,每个术语关键词(Keyword)应该与第一篇介绍它的论文相联系(Citation)。但实际情况更为复杂,比如多个关键词实际上可以对应相同的定义,这种情况下会将这些术语的定义集中到最常见那一个。

🔥 『视觉-语言预训练(VLP)』最新进展

https://github.com/phellonchen/awesome-Vision-and-Language-Pre-training

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

研究进展

  • 2022.07.04 『计算机视觉』| Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations
  • 2022.06.30 『机器学习』| ProSelfLC: Progressive Self Label Correction Towards A Low-Temperature Entropy State
  • 2022.07.04 『自然语言处理』| Egocentric Video-Language Pretraining @ EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2022
  • 2022.06.30 『计算机视觉』| PolarFormer: Multi-camera 3D Object Detection with Polar Transformers

⚡ 论文:Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations

论文标题:Aug-NeRF: Training Stronger Neural Radiance Fields with Triple-Level Physically-Grounded Augmentations

论文时间:4 Jul 2022

所属领域:计算机视觉

对应任务:Novel View Synthesis,Out-of-Distribution Generalization,新视图合成,分布外泛化

论文地址:https://arxiv.org/abs/2207.01164

代码实现:https://github.com/vita-group/aug-nerf

论文作者:Tianlong Chen, Peihao Wang, Zhiwen Fan, Zhangyang Wang

论文简介:Inspired by that, we propose Augmented NeRF (Aug-NeRF), which for the first time brings the power of robust data augmentations into regularizing the NeRF training./受此启发,我们提出了Augmented NeRF(Aug-NeRF),它首次将稳健的数据增强的力量带入NeRF训练的正则化。

论文摘要:神经辐射场(NeRF)通过差异化渲染具有地面真实监督的多视图图像来回归神经参数化的场景。然而,当插值新的视图时,NeRF经常产生不一致的、视觉上不平滑的几何结果,我们认为这是看到的和未看到的视图之间的泛化差距。卷积神经网络的最新进展表明,先进的鲁棒性数据增强,无论是随机的还是学习的,都有可能增强分布内和分布外的泛化。受此启发,我们提出了Augmented NeRF(Aug-NeRF),它首次将稳健数据增强的力量带入到NeRF训练的正则化中。特别是,我们的建议学会了将最坏情况下的扰动无缝地融合到NeRF管道的三个不同层次的物理基础上,包括(1)输入坐标,以模拟图像捕获时不精确的相机参数;(2)中间特征,以平滑内在的特征流形;以及(3)预渲染输出,以考虑多视图图像监督中的潜在退化因素。广泛的结果表明,Aug-NeRF有效地提高了NeRF在新视图合成(高达1.5dB的PSNR增益)和基础几何重建方面的性能。此外,由于三层增强所注入的隐含平滑先验,Aug-NeRF甚至可以从严重损坏的图像中恢复场景,这是一个以前没有解决的高度挑战。我们的代码可在https://github.com/VITA-Group/Aug-NeRF获取。

⚡ 论文:ProSelfLC: Progressive Self Label Correction Towards A Low-Temperature Entropy State

论文标题:ProSelfLC: Progressive Self Label Correction Towards A Low-Temperature Entropy State

论文时间:30 Jun 2022

所属领域:机器学习

论文地址:https://arxiv.org/abs/2207.00118

代码实现:https://github.com/xinshaoamoswang/proselflc-at

论文作者:Xinshao Wang, Yang Hua, Elyor Kodirov, Sankha Subhra Mukherjee, David A. Clifton, Neil M. Robertson

论文简介:(3) Using the standard training setting, a trained network is of low confidence when severe noise exists, making it hard to leverage its high-entropy self knowledge./使用标准的训练设置,当存在严重的噪声时,训练过的网络的可信度很低,很难利用其高熵的自我知识。

论文摘要:为了训练强大的深度神经网络(DNNs),我们系统地研究了几种目标修改方法,其中包括输出正则化、自我和非自我标签校正(LC)。我们发现了三个关键问题:(1)自我标签校正是最吸引人的,因为它利用了自身的知识,不需要额外的模型。然而,如何在训练过程中自动决定学习者的信任度,在文献中没有很好的答案。(2) 有些方法会对低熵预测进行惩罚,而其他方法则会对低熵预测进行奖励,这促使我们问哪一种方法更好。(3) 使用标准的训练设置,当存在严重的噪声时,训练过的网络的可信度很低,这使得它很难利用其高熵的自我知识。为了解决(1)的问题,我们采用两个公认的命题–深度神经网络在拟合噪声之前学习有意义的模式和最小熵正则化原则–提出了一个新的端到端方法,名为ProSelfLC,它是根据学习时间和熵设计的。具体来说,给定一个数据点,如果一个模型已经被训练了足够长的时间,并且预测是低熵的(高置信度),我们将逐步增加对其预测标签分布与注释标签的信任。对于问题(2),根据ProSelfLC,我们从经验上证明,最好重新定义一个有意义的低熵状态,并优化学习者,使其趋向于此。这可以作为熵最小化的辩护。为了解决这个问题(3),我们在利用自我知识纠正标签之前,先用低温降低自我知识的熵,这样修改后的标签就能重新定义一个低熵的目标状态。我们通过广泛的实验证明了ProSelfLC在干净和嘈杂环境下以及在图像和蛋白质数据集上的有效性。此外,我们的源代码可在 https://github.com/XinshaoAmosWang/ProSelfLC-AT 获取。

⚡ 论文:Egocentric Video-Language Pretraining @ EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2022

论文标题:Egocentric Video-Language Pretraining @ EPIC-KITCHENS-100 Multi-Instance Retrieval Challenge 2022

论文时间:4 Jul 2022

所属领域:自然语言处理

对应任务:Benchmark,Language Modelling,语言模型

论文地址:https://arxiv.org/abs/2207.01334

代码实现:https://github.com/showlab/egovlp

论文作者:Kevin Qinghong Lin, Alex Jinpeng Wang, Rui Yan, Eric Zhongcong Xu, RongCheng Tu, Yanru Zhu, Wenzhe Zhao, Weijie Kong, Chengfei Cai, Hongfa Wang, Wei Liu, Mike Zheng Shou

论文简介:In this report, we propose a video-language pretraining (VLP) based solution kevin2022egovlp for the EPIC-KITCHENS-100 Multi-Instance Retrieval (MIR) challenge./在这份报告中,我们提出了一个基于视频语言预训练(VLP)的解决方案\cite{kevin2022egovlp},用于EPIC-KITCHENS-100多实例检索(MIR)挑战。

论文摘要:在这份报告中,我们提出了一个基于视频语言预训练(VLP)的解决方案(cite{kevin2022egovlp},用于EPIC-KITCHENS-100多实例检索(MIR)挑战。特别是,我们利用最近发布的Ego4D数据集grauman2021ego4d,从预训练数据集、预训练目标和开发集方面引领了Egocentric VLP。基于以上三个设计,我们开发了一个预训练的视频语言模型,该模型能够将其以自我为中心的视频-文本表示转移到MIR基准。此外,我们设计了一个自适应的多实例最大边际损失来有效地微调模型,并为可靠的推理配备了双软性技术。我们的最佳单一模型在挑战测试集上获得了强大的性能,有47.39%的mAP和61.44%的nDCG。该代码可在 https://github.com/showlab/EgoVLP 获取。

⚡ 论文:PolarFormer: Multi-camera 3D Object Detection with Polar Transformers

论文标题:PolarFormer: Multi-camera 3D Object Detection with Polar Transformers

论文时间:30 Jun 2022

所属领域:计算机视觉

对应任务:2D object detection,3D Object Detection,目标检测,3D目标检测

论文地址:https://arxiv.org/abs/2206.15398

代码实现:https://github.com/fudan-zvg/polarformer

论文作者:Yanqin Jiang, Li Zhang, Zhenwei Miao, Xiatian Zhu, Jin Gao, Weiming Hu, Yu-Gang Jiang

论文简介:3D object detection in autonomous driving aims to reason “what” and “where” the objects of interest present in a 3D world./自主驾驶中的三维物体检测旨在推理出三维世界中存在的 "什么 "和 "哪里 "感兴趣的物体。

论文摘要:自主驾驶中的三维物体检测旨在推理出三维世界中存在的感兴趣的物体的 "内容 "和 “位置”。遵循以往二维物体检测的传统智慧,现有方法通常采用具有垂直轴的典型直角坐标系。然而,我们认为这并不符合小汽车视角的本质,因为每个车载摄像头都以成像几何学固有的楔形(非垂直)轴的形状来感知世界。因此,在本文中,我们主张利用极坐标系统,并提出了一个新的极坐标变换器(PolarFormer),用于在鸟瞰图(BEV)中进行更准确的三维物体检测,只将多摄像机的二维图像作为输入。具体来说,我们设计了一个基于交叉注意的Polar检测头,不受输入结构形状的限制,以处理不规则的Polar网格。为了解决沿Polar距离维度的无约束的物体尺度变化,我们进一步引入了多尺度Polar表示学习策略。因此,我们的模型可以通过在几何约束条件下,以序列对序列的方式关注相应的图像观察,从而最好地利用Polar表征的栅格。在nuScenes数据集上的全面实验表明,我们的PolarFormer明显优于最先进的3D物体检测方法,并且在BEV语义分割任务上产生了有竞争力的性能。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

robosuite(mujoco)中机械臂action与实际运动不一样的解决办法 最近开始搞机械臂强化学习,所以下了robosuite(https://github.com/ARISE-Initiative/robosuite)和stable_baselines3(https://github.com/DLR-RM/stable-baselines3),在测试demo时,发现了一个共同的问题。以robosuite的demo_random_action.py为例,在基于UR5e的Lift任务中,设置机械臂控制模式为末端位姿控制,发布action[0,0,0.01,0,0。 阅读详情

相关推荐

[RL robotic 环境] - [Robosuite](2)

RoboSuite的Stack环境

upr_rom的博客 2137

机器人学习模拟框架 robosuite 支持强化学习和模仿学习 (1) 快速入门

RoboSuite 是一款基于MuJoCo物理引擎构建的机器人学习模拟框架。人形机器人、自定义机器人组合,还包含复合控制器(像全身控制器等)、更多遥控设备选项,以及能够呈现出照片级逼真效果的渲染功能。

黎国溥 4486

robosuite里面的render

类型的对象,在构造的时候拿到了MujocoEnv的。函数,就是调用了mujoco原生的api,包括。的render函数,然后获取摄像头的数据。两个成员,因为它在构造的时候需要传入。类型,负责渲染,并返回摄像头的数据。在MujocoEnv里面是通过。得到的mujoco模型对象,得到的mujoco数据对象,函数,拿到图像数据并显示出来。对象,这两个成员其实就是。

baidu_41800370的博客 810

robosuite基础教程(一)——基本概念

robosuite和robomimic都是由ARISE Initiative开发的开源工具,旨在推进机器人学习和机器人操作领域的研究。

金陵城中夜将沉的博客 1970

robosuite 入门教程(一)安装与基本用法

摘要:Robosuite是基于MuJoCo的模块化机器人仿真框架,提供标准化基准测试环境和多样化机器人控制功能。作为ARISE计划的一部分,该框架支持强化学习、模仿学习等算法研究,包含程序化环境生成、多模态传感器、多种控制器及遥操作设备。支持macOS/Linux系统,提供详细安装指南和功能演示脚本,包括随机动作测试、控制器验证、域随机化等。最新版本v1.5新增人形机器人支持、全身控制器和照片级渲染功能,旨在降低机器人学习研究门槛,促进算法开发与评估。

2506_90492529的博客 1271

ide:Enso –一种视觉和文字功能编程语言

概述 Enso是一种开源视觉数据科学语言,被奇点大学和NASA选为全球20种最独特的技术之一。 Enso由几个子项目组成,包括, 和 。 入门 Enso既以的形式分发,也以形式分发。 请参阅,并阅读以了解更多信息。 当前,要启动IDE,您必须首先运行Enso Project Manager 。 有关更多信息和软件包,请参阅。 建筑 该项目建立在MacOS,Linux和Windows上。 只需运行node ./run build来构建它,然后使用node ./run --help了解其他可用的命令和选项。 阅读详细的以了解更多信息。 执照 Enso语言编译器是根据的条款发行的。 Enso图形界面及其渲染引擎根据。 选择此许可证集既可以为您提供使用Enso的完全自由,也可以创建库并根据您选择的任何许可证进行发布,同时还允许我们在平台之上发布商业产品,包括Enso Cloud和Enso En

机器人持续学习基准LIBERO系列4——robosuite最基本demo

基于MuJoCo的机器人学习方针环境,提供一套基准环境,MuJoCo官方DeepMind长期支持,是通过模拟环境推进机器人智能倡议项目( [Advancing Robot Intelligence through Simulated Environments (ARISE) Initiative](https://github.com/ARISE-Initiative))的一部分。 是LIBERO的底层环境

欢迎一起成长呀 3534

达梦数据守护集群监视器详解与应用指南

主库/备库:承担读写和只读服务的数据节点Redo 日志:记录数据库变更的核心日志Redo 日志传输:主备库间的日志同步机制Redo 日志重演:备库重做日志的应用过程守护进程 (dmwatcher):实例级别的监控和管理组件监视器 (dmmonitor):集群级别的监控和管理工具监视器作为数据守护系统的重要组成部分,提供了集群监控、故障管理和状态确认等关键功能。达梦数据守护集群监视器是维护数据库高可用性的关键工具。

huanhuanzhou blog 1058

探索未来科技:ARISE-Initiative的RoboSuite——一个全面的机器人模拟器

是由ARISE-Initiative团队开发的一款开源机器人模拟器,旨在为研究人员和工程师提供一个强大且灵活的平台,用于测试、开发和优化机器人算法。这个项目基于Python构建,并支持多种真实世界的机器人模型与环境,让你无需物理设备就能进行机器人研究。 ## 技术分析 **1. **物理引擎**:** RoboSuite利用了[MuJoCo](http://mujoco.org/),这是一个高

gitblog_00039的博客 750

保姆级教程:用torch.profiler给你的vLLM推理做个“全身体检”(附Perfetto可视化分析)

本文提供了一份详细的vLLM推理性能分析教程,通过torch.profiler和Perfetto工具链实现从数据采集到可视化分析的全流程。文章涵盖了环境配置、性能数据采集、trace文件解析以及Perfetto可视化分析,帮助开发者优化大模型推理服务的性能,显著降低计算资源消耗。

weixin_29041767的博客 359

Plant Simulation 双深位立库开发系列教程-货架参数化

为了方便用户进行货架参数化,我们需要在交互界面上进行参数调整,右键打开RackLane,打开Dialog,在Rack_tab的tab下创建相应的对象,并创建NumberOfRightRack和NumberOfLeftRack作为数据连接对象。通过Rack._3D.VisibleGraphicGroups := ["default"]来切换需要显示的Rack,当不需要显示则可以Rack._3D.VisibleGraphicGroups := [""]即可。首先,加载默认的HBW库到模型中,确保结构树当中有。

santayana的专栏 1260

robosuite基础教程(二)——安装测试

robosuite 利用了 MuJoCo 强大的物理仿真能力,提供逼真的机器人操作环境。

金陵城中夜将沉的博客 1955

Java 部分笔试题解析

合法的 try 语句块必须包含 try 块,并且至少包含一个 catch 块或一个 finally 块。给定一个长度为n的数组,数组中的每个元素,表示一根水管的长度,水管可以在任意位置锯开。调用 sleep() 方法、创建新线程、高优先级线程进入就绪状态只会暂停或抢占线程的执行,而不会终止线程的运行。A.抽象类中可以包含非抽象的普通方法,接口中的方法必须是抽象的,不能有非抽象的普通方法。接口中的成员变量必须是常量(static final),而抽象类可以有普通成员变量。

博客 2584

机器人学习模拟框架 robosuite (3) 机器人控制代码示例

机器人控制代码示例,1、通过键盘或SpaceMouse远程控制机器人2、选择机器人夹抓3、夹抓控制4、记录轨迹数据并回放5、多种机器人任务执行

黎国溥 3535

【二 Deepseek+Coze案例】【 2.2 Coze + Deepseek 实现小红书爆款笔记:打造专属Agent智能体】

摘要 本文介绍了如何利用Coze平台和Deepseek模型构建自动化Agent智能体,用于生成和优化小红书爆款笔记。文章首先分析了爆款笔记的核心特征,包括精准定位、吸引标题、实用内容、精美排版和热门标签。随后提出Agent智能体的功能需求,涵盖热点追踪、内容生成与优化、数据分析及自动发布等模块。在技术实现上,详细阐述了从环境配置、数据采集到内容生成与优化的全流程,并提供了Python代码示例,展示如何调用Coze函数获取热点数据及竞品笔记。该方案通过智能化的内容创作与运营策略,帮助用户高效打造高曝光的小红书

商务合作|问题讨论|交流学习 请联系作者微信,加微信请务必注明来意,博客主页有联系方式 2322

ESP32S3接入讯飞在线语音识别教程及配套源代码

本文介绍了如何使用ESP32-S3开发板实现讯飞在线语音识别功能。首先,需要准备硬件设备,包括ESP32-S3开发板、麦克风模块、MicroSD卡模块和扬声器模块。接着,安装Arduino IDE并配置ESP32-S3开发环境,注册讯飞开放平台账号并获取API凭证。然后,通过I2S接口连接麦克风模块,并编写代码实现语音录制、Base64编码、API请求和识别结果处理。代码包括初始化WiFi、麦克风、系统时间,以及录制语音、发送请求、解析响应等功能。最后,通过按键触发录音,并将识别结果输出到串口。

2401_88800025的博客 749

python __init__.py的一些用法

python __init__.py的一些用法 刚开始接触robosuite,在看demo的时候发现自己不懂__init__.py的问题。于是网上搜了些资料,试验了下,得出如下结果: (1).py文件称为模块,含init的目录称为包。 (2)存在相对导入语句的模块是不能直接运行的,被调用时没问题。 (3)在调用、导入一个包时会执行其__init__.py下的代码,所以__init__.py一般用来初始化。本文试验创建如下目录, sitep/__init__.py: import numpy as np

xwq8848的博客 662

Cadence 批量一次性修改title 页码标题

本文介绍如何在Cadence软件中对DSN文件进行标题栏的批量编辑操作,包括选择编辑对象、使用快捷键打开属性面板以及如何修改标题、页码等关键信息。

tianpu2320959696的博客 979

robosuite模块化设计原理:深度理解框架核心架构与扩展机制

robosuite是一个模块化的机器人学习仿真框架与基准测试平台,它通过精心设计的组件化结构,让开发者能够轻松构建、扩展和测试各种机器人任务。本文将深入剖析其核心架构与扩展机制,帮助新手快速掌握框架的设计精髓。 ## 框架整体架构:模块解耦的艺术 🧩 robosuite采用分层模块化设计,将复杂的机器人仿真系统分解为相互独立又可灵活组合的核心模块。这种设计不仅提高了代码复用性,也让功能扩展变

gitblog_00628的博客 558

萤石云cs刷机解绑固件

萤石CS-C2C-32WFR刷机包,萤石CS-C6TC刷机包,萤石CS-C6H刷机包,萤石猫眼产品等等。萤石云摄像头固件修改,绑定手机号解绑,更换序列号教程。

海康威视技术支持 2万+

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

机器人学习模拟框架 robosuite (2)支持多种机器人、夹抓和底座 工作流程

Robosuite通过基于Robot类的抽象设计,支持多种类型的机器人,包括单臂、双臂以及具备移动操作能力的机器人(如腿式和轮式机器人)。这种设计使得Robosuite能够灵活地适应各种机器人配置和任务需求。RobotRobotModel:定义了机器人的基本模型,包括其结构和功能。:定义了机器人的基座模型,决定了机器人的移动方式(如腿式或轮式)。:定义了机器人的夹持器模型,用于抓取和操作物体。:定义了机器人的控制器,用于解析动作命令并生成相应的扭矩信号。

黎国溥 2003

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

robosuite添加无碰撞的模型

形状尺寸与操作的物体一样半透明只有visual,不与场景其他物体有碰撞可以在每次step后设置位置,且固定在设定的位置,不受重力影响。

千羽的计算机视觉与机器人 897

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

强化学习环境全库安装(从mujoco到spinningup)

强化学习环境全库安装 从mujoco200到spinningup (上篇)前言一: 安装Mujoco200物理引擎二. 创建conda虚拟环境1:选择python版本2.创建conda虚拟环境三. 安装tensorflow-gpu==1.14.0四、安装mujoco_py 2.2.0.7版本五、安装robosuite1、查看和删改robosuite对应的numpy等依赖库的版本(要删改啊,别跳过)...

weixin_45790303的博客 2046

Robosuite有哪些机械臂任务?

摘要: robosuite支持多种单机械臂操作任务,主要包括:方块提升(Lift)、堆叠(Stack)、拾取放置(PickPlace)及其变体(牛奶、面包等特定物品)、螺母组装(NutAssembly)、开门(Door)、桌面擦拭(Wipe)和工具悬挂(ToolHang)。PickPlace任务可通过命令行运行不同物品的单独操作,如PickPlaceMilk、PickPlaceBread等。这些任务覆盖了从基础抓取到复杂装配等多种机器人操作场景。(149字)

BetterBench的博客 563

基于Robosuite和Robomimic采集mujoco平台的机械臂数据微调预训练PI0模型,实现快速训练机械臂任务

本文介绍了将Robosuite采集的机械臂操作数据转换为LeRobot兼容格式的完整流程。首先通过Robosuite和Robomimic工具采集人类演示数据,生成HDF5文件。然后详细说明了数据转换步骤:1)安装必要环境;2)使用脚本收集演示数据;3)将原始数据转换为Robomimic格式;4)提取包含图像观测的完整数据集。最后重点介绍了如何将HDF5格式转换为LeRobot数据集格式,包括定义数据集特征、创建空数据集、逐帧添加数据等关键步骤。该流程实现了从仿真平台数据采集到适配VLA模型训练所需格式的完整

BetterBench的博客 2641

如何在Robosuite中导入自建的物体模型

Robosuite是基于mujoco封装的机器人操作库,而mujoco的碰撞检测是基于凸壳,也就是geom必须是凸的,如果是凹的话,凹的部分会有一个透明的屏障而无法与其他物体有碰撞。但是实际场景很多物体都不是凸的,比如杯子的口是凹进去的。

千羽的计算机视觉与机器人 1933
上一篇: 3D视觉独角兽奥比中光上市,宝藏网站追更神器RSS Please,给果蝇神经元画一幅素描、评论区大战时如何优雅吃瓜、24万张AI合成图片、AI前沿论文 | ShowMeAI资讯日报
下一篇: 罗永浩新公司准备招人,AI写一篇代码文档只需2步,如何优雅地乱搞Python代码、一大波数学资料来袭!AI前沿论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值