穆乔科

MuJoCo代表带接触的多关节动力学。它是由Emo Todorov为Roboti LLC开发的,最初是在华盛顿大学运动控制实验室使用的,现在已经被广泛的研究人员和开发人员采用。MuJoCo是一个物理引擎,旨在促进机器人学、生物力学、图形和动画以及其他需要快速准确模拟的领域的研究和开发。它提供了一个独特的组合速度,精度和建模能力,但它不仅仅是一个更好的模拟器。取而代之的是,它是第一个全功能模拟器,从头开始设计,目的是基于模型的优化,特别是通过接触进行优化。MuJoCo使优化控制、物理一致性状态估计、系统辨识和自动机构设计等计算密集型技术得以扩展,并将其应用于具有丰富接触行为的复杂动力系统。它还具有更传统的应用,如在物理机器人上部署前测试和验证控制方案、交互式科学可视化、虚拟环境、动画和游戏。它的主要特点是:。。


zbMATH参考文献(参考12篇文章)

显示第1到12个结果。
按年份排序(引用)

  1. Nicolas Bougie;Ryutaro Ichise:基于技能的内在动机强化学习好奇心(2020)
  2. 科塞克,卡米尔;怀特森,西蒙:强化学习的预期政策梯度(2020年)
  3. Jonas Rothfuss,Dennis Lee,Ignasi Clavera,Tamim Asfour,Pieter Abbeel:ProMP:近端元策略搜索(2020)阿尔十四
  4. 帕里西,西蒙尼;唐卡拉特,沃特;彼得斯,扬;可汗,穆罕默德埃姆蒂亚兹:TD正规化演员批评方法(2019年)
  5. 藤田安弘、Kataoka Toshiki、Prabhat Nagarajan、Takahiro Ishikawa:ChainerRL:深度强化学习图书馆(2019)阿尔十四
  6. Aggarwal,Charu C.:神经网络与深度学习。教科书(2018)
  7. Ueltzhöffer,Kai:深度主动推理(2018)
  8. Philipp Moritz,Robert Nishihara,Stephanie Wang,Alexey Tumanov,Richard Liaw,Eric Liang,Melih Elibol,Zongheng Yang,William Paul,Michael I.Jordan,Ion Stoica:Ray:新兴人工智能应用的分布式框架(2017)阿尔十四
  9. Wirth,Christian;Akrour,Riad;Neumann,Gerhard;Fürnkranz,Johannes:基于偏好的强化学习方法调查(2017)
  10. Zobova,Alexandra A.;Habra,Timothée;Van der Noot,Nicolas;Dallali,Houman;Tsagarakis,Nikolaos G.;Fisette,Paul;Ronsse,Renaud:顺应型人形机器人的多物理建模(2017)
  11. Sergey Levine;Chelsea Finn;Darrell,Trevor;Abbeel,Pieter:深度视觉运动政策的端到端培训(2016)
  12. 邱伟超,艾伦·尤耶:《虚幻:将计算机视觉与虚幻引擎连接》(2016)阿尔十四