ARISE-Initiative/robomimic

解決的問題

機器人學習常因缺乏標準化的資料集與可重現的基準測試，導致研究人員難以開發與比較新的機器人操作演算法。

工作原理

robomimic 提供一個完整的示範學習框架。它結合了標準化的示範資料集（包含模擬與真實世界資料）以及一系列離線學習演算法。系統支援多種觀測模式，包括低維資料與視覺-運動策略，並允許靈活的網路架構與超參數調校。

適用對象

希望對機器人操作任務進行基準測試，並開發新機器人學習演算法的機器人與人工智慧領域研究人員與實務工作者。

主要亮點

• 多樣化的學習演算法：支援模仿學習（BC、BC-RNN、HBC）與離線強化學習（BCQ、CQL、IRIS、TD3-BC），以及新加入的 Diffusion Policy 與 IQL 等演算法。
• 標準化資料集：涵蓋多個環境與機器人的模擬與真實世界任務。
• 模組化設計：提供模組化的觀測編碼器，並支援外部資料集。
• 開發者工具：包含資料集可視化、超參數掃描與 Docker 支援，便於環境設定。