Apprendimento per rinforzo profondo per la navigazione di robot mobili nel simulatore ROS Gazebo. Utilizzando la rete neurale Twin Delayed Deep Deterministic Policy Gradient (TD3), un robot impara a navigare verso un punto obiettivo casuale in un ambiente simulato evitando ostacoli.
Addestra un robot a navigare ed evitare ostacoli in un ambiente simulato utilizzando tecniche di deep learning.
Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.
Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.
Gratis · senza carta · disdici quando vuoiApprendimento per rinforzo profondo per la navigazione di robot mobili nel simulatore ROS Gazebo. Utilizzando la rete neurale Twin Delayed Deep Deterministic Policy Gradient (TD3), un robot impara a navigare verso un punto obiettivo casuale in un ambiente simulato evitando ostacoli.
DRL-robot-navigation ha 1.3k stelle su GitHub. È stato forkato 194 volte. DRL-robot-navigation è scritto principalmente in Python. È in sviluppo attivo dal 2021. DRL-robot-navigation è disponibile con licenza MIT. I suoi temi principali sono: deep-learning, deep-reinforcement-learning, gazebo, obstacle-avoidance.
Apprendimento per rinforzo profondo per la navigazione di robot mobili nel simulatore ROS Gazebo. Utilizzando la rete neurale Twin Delayed Deep Deterministic Policy Gradient (TD3), un robot impara a navigare verso un punto obiettivo casuale in un ambiente simulato evitando ostacoli.
DRL-robot-navigation è un progetto open source. È rilasciato con licenza MIT.
Sì. DRL-robot-navigation è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.
DRL-robot-navigation è disponibile con licenza MIT.
DRL-robot-navigation è scritto principalmente in Python.
Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.
[](https://opensourceai.tech/project/reiniscimurs-drl-robot-navigation.html)
Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.