Entornos de Gymnasium basados en PyBullet para entrenar controladores de aprendizaje por refuerzo para cuadricópteros, con uno o varios agentes.
2,2 mil+7 esta semana578PythonMITBien mantenidoActualizado anteayer
Farama-Foundation/Gymnasium-Robotics
Colección de entornos de robótica para aprendizaje por refuerzo basados en MuJoCo y construidos sobre la API de Gymnasium.
- Estrellas
- 1,966
- Forks
- 161
- Issues abiertos
- 28
- Último commit
- hace 23 días
¿Qué es?
Gymnasium-Robotics ofrece entornos simulados de robótica para aprendizaje por refuerzo, expuestos mediante la API de Gymnasium y ejecutados con el motor de física MuJoCo. Incluye tareas de manipulación con un brazo robótico Fetch de 7 DoF, manipulación diestra de objetos en la mano con una Shadow Dexterous Hand de 24 DoF y factorizaciones multiagente de los entornos MuJoCo de Gymnasium que siguen la API ParallelEnv de PettingZoo.
La biblioteca también incluye entornos D4RL refactorizados, como navegación por laberintos, tareas con la mano Adroit y el entorno multitarea Franka Kitchen. Sus entornos robóticos usan una API multiobjetivo basada en la clase GoalEnv, cuyas observaciones incluyen las claves observation, desired_goal y achieved_goal. Las funciones de recompensa y terminación se pueden volver a calcular con objetivos sustitutos para usar Hindsight Experience Replay.
Se instala con pip. Linux y macOS cuentan con soporte oficial; los entornos más recientes usan los bindings actuales de mujoco para Python, mientras que las versiones heredadas dependen de mujoco-py.
Funciones clave
- 01Entornos Fetch con un brazo de 7 DoF para tareas de alcanzar, empujar, deslizar y recoger y colocar objetos.
- 02Entornos Shadow Dexterous Hand para manipular objetos, con observaciones opcionales de sensores táctiles.
- 03Entornos MuJoCo multiagente que usan la API ParallelEnv de PettingZoo.
- 04Entornos D4RL refactorizados de laberintos, Adroit y Franka Kitchen.
- 05Interfaz multiobjetivo GoalEnv que permite cambiar las etiquetas de los objetivos para Hindsight Experience Replay.
Casos de uso
- Evaluar algoritmos de aprendizaje por refuerzo en tareas de manipulación robótica.
- Entrenar políticas condicionadas por objetivos que usan el cambio retrospectivo de etiquetas.
- Investigar el control multiagente con robots MuJoCo factorizados.
- Ejecutar experimentos de RL offline en tareas de laberintos y cocinas al estilo D4RL.
Inicio rápido
- 1
Instala la biblioteca desde PyPI
pip install gymnasium-robotics - 2
Instala el motor de física MuJoCo siguiendo las instrucciones del sitio web de MuJoCo
- 3
Importa la biblioteca, registra los entornos y crea uno, como FetchReach-v4
Antes de usarlo
- Solo ofrece compatibilidad oficial con Linux y macOS; Windows no cuenta con compatibilidad oficial.
- Es necesario instalar por separado el motor de física MuJoCo.
- Los entornos antiguos dependen de mujoco-py, que requiere una instalación adicional opcional.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es Gymnasium-Robotics?
- Colección de entornos de robótica para aprendizaje por refuerzo basados en MuJoCo y construidos sobre la API de Gymnasium. Gymnasium-Robotics ofrece entornos simulados de robótica para aprendizaje por refuerzo, expuestos mediante la API de Gymnasium y ejecutados con el motor de física MuJoCo. Incluye tareas de manipulación con un brazo robótico Fetch de 7 DoF, manipulación diestra de objetos en la mano con una Shadow Dexterous Hand de 24 DoF y factorizaciones multiagente de los entornos MuJoCo de Gymnasium que siguen la API ParallelEnv de PettingZoo.
- ¿Gymnasium-Robotics es gratuito? ¿Qué licencia tiene?
- Gymnasium-Robotics es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿Gymnasium-Robotics sigue mantenido?
- Mantenimiento activo. El último commit de Gymnasium-Robotics fue el 14 oct 2026.
- ¿Para qué puedo usar Gymnasium-Robotics?
- Evaluar algoritmos de aprendizaje por refuerzo en tareas de manipulación robótica. Entrenar políticas condicionadas por objetivos que usan el cambio retrospectivo de etiquetas. Investigar el control multiagente con robots MuJoCo factorizados. Ejecutar experimentos de RL offline en tareas de laberintos y cocinas al estilo D4RL.
- ¿Cómo se instala Gymnasium-Robotics?
- Instala la biblioteca desde PyPI: pip install gymnasium-robotics Instala el motor de física MuJoCo siguiendo las instrucciones del sitio web de MuJoCo Importa la biblioteca, registra los entornos y crea uno, como FetchReach-v4
- ¿Dónde consigo Gymnasium-Robotics?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/Farama-Foundation/Gymnasium-Robotics
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Simulador de conducción ligero en Python para aprendizaje por refuerzo e investigación sobre conducción autónoma, con simulación de sensores y entornos al estilo Gymnasium.
1,3 mil+2 esta semana210PythonApache-2.0Actualizado hace 21 días
ASPIRE es un framework en el que agentes de programación perfeccionan iterativamente habilidades reutilizables para robots, en tareas de manipulación simuladas y reales, en lugar de entrenar los pesos del modelo.
959+49 esta semana86PythonApache-2.0Actualizado hace 21 días
Plugin de Unreal Engine 5 que ejecuta la física de MuJoCo en el editor y durante la ejecución, combinando dinámicas de contacto precisas con el renderizado de Unreal.
564+1 esta semana66C++Apache-2.0Actualizado hace 26 días
Biblioteca de Python con una API estándar y entornos de referencia para investigar el aprendizaje por refuerzo multiagente, similar a Gymnasium.
3,6 mil+9 esta semana555PythonMITBien mantenidoActualizado hace 7 días
Colección de entornos de conducción simulados compatibles con Gymnasium para entrenar y probar agentes de conducción autónoma y toma de decisiones.
3,3 mil905PythonMITBien mantenidoActualizado hace 7 días