Skip to content

About

An open-source library for GPU-accelerated robot learning and sim-to-real transfer.

Resources

Contributing

Stars

3 stars

Watchers

0 watching

Forks

 
 

Repository files navigation

Doku für Jaywalker-Mujoco-Playground Adaption

Entwicklungsumgebung einrichten

  • uv installieren
  • Projekt-Repo clonen: git clone https://github.com/BigSmoke908/mujoco_playground
  • cd mujoco_playground
  • uv venv --python 3.11, lokale von uv verwaltete Python Umgebung erstellen
  • source .venv/bin/activate, die Umgebung aktivieren
  • uv pip install -U "jax[cuda12]"
  • JAX/CUDA-Installation testen: python -c "import jax; print(jax.default_backend())" (sollte gpu ausgeben)
  • uv pip install -e ".[all]", alle anderen Dependencies für Mujoco-Playground installieren
  • komplette Installation verifizieren: python -c "import mujoco_playground" (sollte ohne Fehler durchlaufen)

Mujoco-Viewer öffnen

Hierfür muss Mujoco installiert sein. Am einfachsten geht das, indem man die Installationanleitung für den Mujoco-Playground befolgt.

  • cd mujoco_playground, in den lokalen Projekt-Clon wechseln
  • source .venv/bin/activate, die lokale Python Umgebung aktivieren
  • python, Python-Interpreter starten
  • import mujoco.viewer as m, Mujoco Viewer Modul importieren
  • m.launch() -> ein Fenster mit der Mujoco-Simulation öffnet sich
  • per Drag-And-Drop können jetzt Mujoco-Umgebungen geladen werden

Training

Über das Script train_jax_ppo.py wird aktuell das Training ausgeführt

  • cd mujoco_playground -> hier den lokalen Clon vom Repository wechseln
  • source ./venv/activate, die lokale Python Umgebung zu aktivieren (muss pro Terminal-Session nur einmal durchgeführt werden)
  • python learning/train_jax_ppo.py --env_name=WolvesOPJoystickFlatTerrain, Standardaufruf für das Training
  • das Ergebnis von dem Training befindet sich in logs/. Hier befindet sich je nach Trainingsparametern auch die generierte ONNX-Datei

einige optionale Trainingsparameter

Parameter sind über flags.DEFINE_...-Aufrufe in train_jax_ppo.py definiert.

  • --help, Liste mit allen Parametern + Erklärung ausgeben
  • --domain_randomization=false, Domain-Randomization togglen
  • --num_timesteps=150000000, wie viele Episoden sollen trainiert werden -> grobes Maß für wie lange trainiert werden soll
  • --load_checkpoint_path={path}, Skript mit einem bestimmten Trainingsstand laden, um das Training fortzusetzen, --num_timestepssollte dann aber neugesetzt werden
    • Beispiel: --load_checkpoint_path logs/WolvesOPJoystickFlatTerrain-20251104-075648/checkpoints --num_timesteps=200000000
  • --play_only=true, es wird kein Training ausgeführt sondern nur ein Video erstellt, vom letzten Trainingsstand (oder von einem bestimmten wenn --load_checkpoint_path gesetzt ist)
  • --use_tb=true, Loggingdirectory für Tensorboard erstellen
  • --num_evals=10, wie viele Zwischenstände sollen während dem Training gespeichert werden
  • --model=model, in dem angegebenen Ordner befindet sich die generierte ONNX-Datei

Weiterführende Dokumentation

In diesen wird jeweils eine fertig eingerichtete Mujoco-Playground-Umgebung vorausgesetzt

Detaillierte Informationen zu den vorgenommenen Anpassungen und der Portierung der Umgebung befinden sich hier:

About

An open-source library for GPU-accelerated robot learning and sim-to-real transfer.

Resources

Contributing

Stars

3 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages