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中的参考文献(参考文献19条)

显示第1至19个结果,共19个。
按年份排序(引用)

  1. Arvind U.Raghunathan,Devesh K.Jha,Diego Romeres:Pyroboop:基于Python的机器人控制和优化包,用于操纵和避免碰撞(2021)阿尔十四
  2. 曹永灿;詹惠新:基于迭代发现权向量集的多目标强化学习(2021)
  3. 徐绍晨;塔迪帕提,外婆;Bhattacharya,Raktim:具有可压缩杆的张拉整体系统约束动力学的拉格朗日方法(2021)
  4. 岩本,Masami;加藤,大智:有效的演员-评论家强化学习与肌肉张力的体现,以稳定人体手臂的姿势(2021年)
  5. 大西村,摩托亚;无名氏,根纳罗;杉山,Masashi;Egerstedt,Magnus:有限时间障碍函数控制任务的约束学习(2021)
  6. 布吉,尼古拉斯;Ryutaro Ichise:基于技能的内在动机强化学习好奇心(2020)
  7. 基奥塞克,卡米尔;怀特森,西蒙:强化学习的预期政策梯度(2020年)
  8. Jonas Rothfuss,Dennis Lee,Ignasi Clavera,Tamim Asfour,Pieter Abbeel:ProMP:近端元策略搜索(2020)阿尔十四
  9. 拉扎里迪斯,亚里士多德;fachantids,麻醉;Ioannis,Vlahavas:深度强化学习:最先进的演练(2020)
  10. 范飞、涂占图、杨一伦、张健、邓欣燕:扑翼蜂鸟:扑翼机器人和动物的开源动态模拟(2019)阿尔十四
  11. 帕里斯,西蒙尼;唐卡拉特,沃特;彼得斯,简;Khan,Mohammad Emtiyaz:TD规范化演员批评方法(2019)
  12. 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
  13. Aggarwal,Charu C.:神经网络与深度学习。教科书(2018)
  14. Ueltzhöffer,Kai:深度主动推理(2018)
  15. 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
  16. 沃思,基督教徒;阿克鲁尔,里亚德;纽曼,格哈德;Fürnkranz,Johannes:基于偏好的强化学习方法调查(2017)
  17. 佐波娃,亚历山德拉A。;哈布拉,提摩太;范德诺特,尼古拉斯;达拉利,霍曼;Tsagarakis,尼古拉斯G。;费塞特,保罗;Ronsse,Renaud:柔顺类人机器人的多物理建模(2017)
  18. 莱文,谢尔盖;芬恩,切尔西;达雷尔,特雷弗;Abbeel,Pieter:deep visuomotor政策的端到端培训(2016)
  19. 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