Aprendizado por Reforço Profundo para navegação de robôs móveis no simulador ROS Gazebo. Usando a rede neural Twin Delayed Deep Deterministic Policy Gradient (TD3), um robô aprende a navegar até um ponto de objetivo aleatório em um ambiente simulado enquanto evita obstáculos.
Treine um robô para navegar e evitar obstáculos em um ambiente simulado usando técnicas de aprendizado profundo.
Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.
Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.
Grátis · sem cartão · cancele quando quiserAprendizado por Reforço Profundo para navegação de robôs móveis no simulador ROS Gazebo. Usando a rede neural Twin Delayed Deep Deterministic Policy Gradient (TD3), um robô aprende a navegar até um ponto de objetivo aleatório em um ambiente simulado enquanto evita obstáculos.
DRL-robot-navigation tem 1.3k estrelas no GitHub. Foi bifurcado 194 vezes. DRL-robot-navigation é escrito principalmente em Python. Está em desenvolvimento ativo desde 2021. DRL-robot-navigation está disponível sob a licença MIT. Os seus principais temas são: deep-learning, deep-reinforcement-learning, gazebo, obstacle-avoidance.
Aprendizado por Reforço Profundo para navegação de robôs móveis no simulador ROS Gazebo. Usando a rede neural Twin Delayed Deep Deterministic Policy Gradient (TD3), um robô aprende a navegar até um ponto de objetivo aleatório em um ambiente simulado enquanto evita obstáculos.
DRL-robot-navigation é um projeto de código aberto. É distribuído sob a licença MIT.
Sim. DRL-robot-navigation é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.
DRL-robot-navigation está disponível sob a licença MIT.
DRL-robot-navigation é escrito principalmente em Python.
Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.
[](https://olud.ai/project/reiniscimurs-drl-robot-navigation.html)
Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.