Tqc PandaPickAndPlace V1

🚀 Stable-Baselines3のTQCエージェントによるPandaPickAndPlace-v1

このプロジェクトは、stable-baselines3ライブラリ と RL Zoo を用いて、TQC エージェントを PandaPickAndPlace-v1 環境で学習させたモデルを提供します。RL Zooは、Stable Baselines3の強化学習エージェントのための学習フレームワークで、ハイパーパラメータ最適化と事前学習済みエージェントが含まれています。

🚀 クイックスタート

モデルのダウンロードと実行

以下のコマンドを使用して、モデルをダウンロードし、実行します。

# モデルをダウンロードしてlogs/フォルダに保存
python -m rl_zoo3.load_from_hub --algo tqc --env PandaPickAndPlace-v1 -orga sb3 -f logs/
python enjoy.py --algo tqc --env PandaPickAndPlace-v1  -f logs/

モデルの学習

以下のコマンドを使用して、モデルを学習させます。

python train.py --algo tqc --env PandaPickAndPlace-v1 -f logs/
# モデルをアップロードし、可能な場合はビデオを生成
python -m rl_zoo3.push_to_hub --algo tqc --env PandaPickAndPlace-v1 -f logs/ -orga sb3

✨ 主な機能

• 強化学習エージェントの学習：TQCエージェントをPandaPickAndPlace-v1環境で学習させることができます。
• ハイパーパラメータ最適化：RL Zooを使用して、ハイパーパラメータを最適化することができます。
• 事前学習済みエージェントの利用：事前学習済みのエージェントを使用して、すぐに実行することができます。

📦 インストール

本プロジェクトでは、stable-baselines3とRL Zooを使用します。それぞれのリポジトリのREADMEを参照してインストールしてください。

• RL Zoo: https://github.com/DLR-RM/rl-baselines3-zoo
• SB3: https://github.com/DLR-RM/stable-baselines3
• SB3 Contrib: https://github.com/Stable-Baselines-Team/stable-baselines3-contrib

💻 使用例

基本的な使用法

# モデルのダウンロードと実行
python -m rl_zoo3.load_from_hub --algo tqc --env PandaPickAndPlace-v1 -orga sb3 -f logs/
python enjoy.py --algo tqc --env PandaPickAndPlace-v1  -f logs/

高度な使用法

# モデルの学習とアップロード
python train.py --algo tqc --env PandaPickAndPlace-v1 -f logs/
python -m rl_zoo3.push_to_hub --algo tqc --env PandaPickAndPlace-v1 -f logs/ -orga sb3

📚 ドキュメント

ハイパーパラメータ

OrderedDict([('batch_size', 2048),
             ('buffer_size', 1000000),
             ('env_wrapper', 'sb3_contrib.common.wrappers.TimeFeatureWrapper'),
             ('gamma', 0.95),
             ('learning_rate', 0.001),
             ('n_timesteps', 1000000.0),
             ('policy', 'MultiInputPolicy'),
             ('policy_kwargs', 'dict(net_arch=[512, 512, 512], n_critics=2)'),
             ('replay_buffer_class', 'HerReplayBuffer'),
             ('replay_buffer_kwargs',
              "dict( online_sampling=True, goal_selection_strategy='future', "
              'n_sampled_goal=4, )'),
             ('tau', 0.05),
             ('normalize', False)])

参考論文

Panda Gym環境に関する詳細は、arxiv.org/abs/2106.13687 を参照してください。

🔧 技術詳細

モデルの性能

モデルの設定