Repolode
Enviar
robfiras

robfiras/loco-mujoco

Benchmark de aprendizaje por imitación para el control de cuerpo completo, con entornos MuJoCo y MJX para humanoides, cuadrúpedos y modelos musculoesqueléticos humanos.

Ver en GitHubSitio web
Estrellas
1,473
Forks
152
Issues abiertos
43
Último commit
ayer

¿Qué es?

LocoMuJoCo es un benchmark de aprendizaje por imitación para el control de cuerpo completo. Ofrece un conjunto de entornos de locomoción que abarca humanoides, cuadrúpedos y modelos humanos (musculoesqueléticos), cada uno asociado con conjuntos de datos de captura de movimiento, como AMASS, LAFAN1 y un conjunto de datos propio de LocoMuJoCo.

Los entornos se ejecutan en MuJoCo para simulaciones de una sola instancia, o en MJX y MJWarp para simulaciones paralelas en GPU compatibles. El proyecto incluye implementaciones en JAX de PPO, GAIL, AMP y DeepMimic en un solo archivo, y admite funciones de recompensa personalizadas para el aprendizaje por refuerzo puro. También ofrece una interfaz de Gymnasium.

Además del entrenamiento, el proyecto ofrece retargeting de movimiento entre robots, métricas para comparar trayectorias, como dynamic time warping y la distancia discreta de Fréchet, y aleatorización integrada de dominio y terreno. Los tipos de observación, las recompensas, los controladores de estado terminal y los componentes de aleatorización se pueden intercambiar y reutilizar.

Funciones clave

  • 01Entornos para humanoides, cuadrúpedos y modelos biomecánicos humanos basados en MuJoCo
  • 02Simulación paralela mediante los backends MJX y MJWarp
  • 03Implementaciones en JAX de PPO, GAIL, AMP y DeepMimic en un solo archivo
  • 04Retargeting de movimiento entre robots a partir de conjuntos de datos existentes
  • 05Aleatorización integrada de dominio y terreno
  • 06Interfaz de Gymnasium

Casos de uso

  • Evaluar algoritmos de aprendizaje por imitación en tareas de locomoción
  • Entrenar políticas de marcha para humanoides a partir de datos de captura de movimiento
  • Ejecutar aprendizaje por refuerzo con recompensas personalizadas en modelos de robots con patas
  • Comparar trayectorias de movimiento con DTW o métricas de distancia de Fréchet

Inicio rápido

  1. 1

    Clona el repositorio

  2. 2

    Instala en modo editable desde la carpeta del repositorio

    pip install -e .
  3. 3

    Si lo deseas, instala JAX con compatibilidad con GPU

    pip install jax["cuda12"]

Antes de usarlo

  • Según las instrucciones del README, es necesario clonar el repositorio en lugar de instalarlo directamente desde PyPI.
  • Para usar GPU con JAX, hay que instalar CUDA por separado.
  • El entorno MyoSkeleton requiere aceptar una licencia y descargar el modelo por separado.
  • Por motivos de licencia, los conjuntos de datos AMASS deben descargarse e instalarse por separado.

En colecciones

Frameworks y entornos de aprendizaje por refuerzoProyectos de robótica e IA encarnada

Temas

#imitation-learning#reinforcement-learning#mujoco#robotics#humanoid#locomotion#jax

Preguntas frecuentes

¿Qué es loco-mujoco?
Benchmark de aprendizaje por imitación para el control de cuerpo completo, con entornos MuJoCo y MJX para humanoides, cuadrúpedos y modelos musculoesqueléticos humanos. LocoMuJoCo es un benchmark de aprendizaje por imitación para el control de cuerpo completo. Ofrece un conjunto de entornos de locomoción que abarca humanoides, cuadrúpedos y modelos humanos (musculoesqueléticos), cada uno asociado con conjuntos de datos de captura de movimiento, como AMASS, LAFAN1 y un conjunto de datos propio de LocoMuJoCo.
¿loco-mujoco es gratuito? ¿Qué licencia tiene?
loco-mujoco es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿loco-mujoco sigue mantenido?
Mantenimiento activo. El último commit de loco-mujoco fue el 5 nov 2026.
¿Para qué puedo usar loco-mujoco?
Evaluar algoritmos de aprendizaje por imitación en tareas de locomoción Entrenar políticas de marcha para humanoides a partir de datos de captura de movimiento Ejecutar aprendizaje por refuerzo con recompensas personalizadas en modelos de robots con patas Comparar trayectorias de movimiento con DTW o métricas de distancia de Fréchet
¿Cómo se instala loco-mujoco?
Clona el repositorio Instala en modo editable desde la carpeta del repositorio: pip install -e . Si lo deseas, instala JAX con compatibilidad con GPU: pip install jax["cuda12"]
¿Dónde consigo loco-mujoco?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/robfiras/loco-mujoco

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados