Entornos de entrenamiento por aprendizaje por refuerzo que enseñan al robot bípedo Microduck de ~25 cm a caminar, levantarse y hacer trucos en una simulación de MuJoCo.
2,8 mil+80 esta semana678PythonApache-2.0Actualizado hace 22 horas
Denys88/rl_games
Biblioteca de aprendizaje por refuerzo en PyTorch (PPO y SAC) para simuladores vectorizados en GPU que ejecutan miles de entornos en paralelo.
- Estrellas
- 1,410
- Forks
- 223
- Issues abiertos
- 52
- Último commit
- hace 4 días
¿Qué es?
rl_games es un framework de aprendizaje por refuerzo que implementa PPO y SAC en PyTorch. Su principal enfoque es entrenar con simuladores vectorizados en GPU, donde un solo proceso controla miles de entornos a la vez. Ofrece pipelines de entrenamiento para Isaac Lab, MJLab, EnvPool y MyoSuite, además de entornos al estilo de Gym, como MuJoCo y Atari.
La biblioteca incluye funciones habituales en el aprendizaje robótico: un actor-crítico asimétrico con un crítico de valor central independiente, políticas RNN, entrenamiento en varias GPU con DistributedDataParallel, entrenamiento basado en poblaciones, self-play y exportación a ONNX de las políticas entrenadas. Si Triton está instalado, se usan kernels GAE basados en Triton; también es posible registrar los experimentos en Weights and Biases.
El entrenamiento se configura mediante archivos YAML que especifican los ajustes del algoritmo, la red y el runner, y se inicia con un script runner o con torchrun para ejecutar en varias GPU. El proyecto enumera varios artículos de robótica sim-to-real que lo utilizaron para entrenar políticas.
Funciones clave
- 01Implementaciones de PPO y SAC en PyTorch
- 02Actor-crítico asimétrico con un crítico de valor central independiente
- 03Entrenamiento en varias GPU mediante torchrun y DistributedDataParallel
- 04Compatibilidad con entrenamiento basado en poblaciones y self-play
- 05Exportación a ONNX de políticas entrenadas
- 06Configuración del entrenamiento mediante YAML y registro con Weights & Biases
Casos de uso
- Entrenar políticas de locomoción o manipulación diestra en Isaac Lab o MJLab
- Ejecutar experimentos de MuJoCo o Atari de alto rendimiento con EnvPool
- Desplegar políticas de RL entrenadas exportándolas a ONNX
- Escalar el entrenamiento de RL a varias GPU
Inicio rápido
- 1
Abre el ejemplo de entrenamiento de Mujoco en Google Colab (desde el README)
Antes de usarlo
- El notebook de entrenamiento de MJLab requiere una GPU local; se recomienda usar la versión de Colab con GPU L4 o A100.
- La versión 2.0.0 aún no se ha publicado y cambia la API para que solo use gymnasium, por lo que requiere Python 3.11 o posterior.
- El entorno heredado de Isaac Gym solo es compatible hasta rl_games 1.6.5.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es rl_games?
- Biblioteca de aprendizaje por refuerzo en PyTorch (PPO y SAC) para simuladores vectorizados en GPU que ejecutan miles de entornos en paralelo. rl_games es un framework de aprendizaje por refuerzo que implementa PPO y SAC en PyTorch. Su principal enfoque es entrenar con simuladores vectorizados en GPU, donde un solo proceso controla miles de entornos a la vez. Ofrece pipelines de entrenamiento para Isaac Lab, MJLab, EnvPool y MyoSuite, además de entornos al estilo de Gym, como MuJoCo y Atari.
- ¿rl_games es gratuito? ¿Qué licencia tiene?
- rl_games es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿rl_games sigue mantenido?
- Mantenimiento activo. El último commit de rl_games fue el 2 nov 2026.
- ¿Para qué puedo usar rl_games?
- Entrenar políticas de locomoción o manipulación diestra en Isaac Lab o MJLab Ejecutar experimentos de MuJoCo o Atari de alto rendimiento con EnvPool Desplegar políticas de RL entrenadas exportándolas a ONNX Escalar el entrenamiento de RL a varias GPU
- ¿Cómo se instala rl_games?
- Abre el ejemplo de entrenamiento de Mujoco en Google Colab (desde el README)
- ¿Dónde consigo rl_games?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Denys88/rl_games
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Agente de aprendizaje por refuerzo de código abierto para jugar GuanDan de forma competitiva, con una mesa web jugable.
832+34 esta semana35PythonApache-2.0Bien mantenidoActualizado hace 6 días
Software open source en Rust para controlar un pequeño robot pato bípedo, con control de movimiento, gamepad, actualizaciones y transmisión de video desde la cámara.
13,5 mil+408 esta semana1,7 milRustApache-2.0Bien mantenidoActualizado hace 20 horas
Biblioteca de PyTorch con modelos, conjuntos de datos y herramientas para robótica en el mundo real: control de hardware, recopilación de datos, entrenamiento y evaluación de políticas.
28,7 mil+60 esta semana6 milPythonApache-2.0Actualizado hace 20 horas
Implementaciones en PyTorch de algoritmos de aprendizaje por refuerzo, diseñadas como una base fiable y coherente para la investigación y las aplicaciones.
14 mil+20 esta semana2,2 milPythonMITActualizado hace 11 días
Ultralytics YOLOv5 es un kit de herramientas de visión artificial basado en PyTorch para detectar objetos, segmentar instancias y clasificar imágenes, con funciones de entrenamiento y exportación.
58,3 mil+18 esta semana17,4 milPythonAGPL-3.0Bien mantenidoActualizado anteayer