当前位置: 首页 > news >正文

wheel_legged_genesis 开源项目复现与问题记录

Reinforcement learning of wheel-legged robots based on Genesis

System Requirements

Ubuntu 20.04/22.04/24.04
python >= 3.10


开始配置环境!

点击releases后进入,下载对应最新版本的代码:

将下载后的代码包解压到你的自定义路径下,开始配置相关的项目环境:

conda create -n wlg python=3.10

conda activate wlg

# 这里我的CUDA版本装的是12.1,所以安装对应的pytorch版本

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

现在需要下载Genesis:

GitHub - Genesis-Embodied-AI/Genesis: A generative world for general-purpose robotics & embodied AI learning.

cd wheel_legged_genesis-0.0.7

pip install genesis-world   # Requires Python >=3.9;

git clone https://github.com/Genesis-Embodied-AI/Genesis.git
cd Genesis

pip install -e .

cd ..

再install tensorboard:

pip install tensorboard

pip install pygame

pip install opencv-python

最后install rsl-rl:

cd rsl_rl && pip install -e .

好了,下面开始测试并运行代码:

test:

cd wheel_legged_genesis-0.0.7

python locomotion/wheel_legged_eval.py

遇到如下报错:

解决方法:

在项目的utils目录下打开终端,使用pycharm编辑器,创建一个__init__.py文件:

touch __init__.py

再次运行代码,遇到如下error:

这个需要将代码中的所有相对路径设置为绝对路径,就不一一展示了。

需要注意的是代码中的参数需要修改如下:

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("-e", "--exp_name", type=str, default="wheel-legged-walkingv0.0.7")
    parser.add_argument("--ckpt", type=int, default=4000)
    args = parser.parse_args()

再次运行代码,直到出现如下画面:

说明代码运行成功!环境配置无误!


参考:
GitHub - Albusgive/wheel_legged_genesis: Reinforcement learning of wheel-legged robots based on Genesis

 GitHub - Genesis-Embodied-AI/Genesis: A generative world for general-purpose robotics & embodied AI learning.

http://www.dtcms.com/a/54341.html

相关文章:

  • Linux - 进程控制
  • 【极光 Orbit•STC8A-8H】02. STC8 单片机工程模板创建
  • 鸿蒙全栈开发 D1
  • JCRQ1河马算法+四模型对比!HO-CNN-GRU-Attention系列四模型多变量时序预测
  • git-filter-repo 清除大文件教程
  • K8S学习之基础十:k8s中初始化容器和主容器
  • 游戏辅助技术教程【预习课】
  • FPGA-按键消抖
  • 信息安全技术、加密、摘要、签名、PKI(高软41)
  • Java数组详解/从JVM理解数组/数组反转/随机排名/数组在计算机如何存储
  • 【DeepSeek】Ubuntu快速部署DeepSeek(Ollama方式)
  • 2024华为OD机试真题-字符串加密算法(C++)-E卷-100分
  • 机器学习-GBDT算法
  • 数字组合(信息学奥赛一本通-1291)
  • 《深度学习进阶》第7集:深度实战 通过训练一个智能体玩游戏 来洞察 强化学习(RL)与决策系统
  • 全新方案80M/S,告别限速!
  • 阿里云云监控资源告警常用模板
  • 软考架构师笔记-计算机网络
  • Pytest测试用例执行跳过的3种方式
  • 浅论数据库聚合:合理使用LambdaQueryWrapper和XML
  • [数据可视化的python脚本实现]关于餐厅消费的不同维度分析
  • 【MySQL】事务(隔离性、MVCC)
  • 2025-03-06 ffmpeg提取SPS/PPS/SEI ( extradata )
  • 【国产Linux | 银河麒麟】麒麟化龙——KylinOS下载到安装一条龙服务,起飞!
  • DeepSeek接入chatDev实现 智能编程
  • STM32-USART串口数据包
  • 策略模式
  • OpenBMC:BmcWeb构造connect对象
  • 亚信安全发布2024威胁年报和2025威胁预测
  • PostgreSQL常用系统表