文件名称：drift_drl:具有深度强化学习功能的高速自主漂移
文件大小：19.12MB
文件格式：ZIP
更新时间：2024-06-16 14:59:56
deep-reinforcement-learning autonomous-vehicles driving-behavior racing-car Python
具有深度强化学习功能的高速自主漂移 IEEE机器人与自动化快报＆ICRA-2020 :desktop_computer: :scroll: 要求 已在Ubuntu 16.04和Ubuntu 20.04上测试。 配备Nvidia GPU，并安装了驱动程序。 在GTX 1080Ti上测试。 安装 ，它是一个程序包管理器，环境管理器和Python发行版。 安装环境： conda env create -f environment_drift.yaml 此命令将创建一个畅达环境命名的drift 七张地图的参考轨迹 地图的参考轨迹位于code/ref_trajectory traj_0 ：用于map（a），用于第一阶段训练。 traj_1 ... traj_5 ：用于map（bf），用于第二阶段训练。 traj_6 ：用于map（g），用于评估 启动模拟器 我们基于构建模拟器。 您可以下载我们的构建版本。 然后将这两行
【文件预览】：
drift_drl-master
----images()
--------2.gif(3.48MB)
--------1.gif(3.18MB)
--------3.gif(2.52MB)
--------simulator.png(2.52MB)
--------maps.png(381KB)
----environment_drift.yaml(2KB)
----LICENSE(1KB)
----code()
--------tools.py(3KB)
--------environment_app.py(18KB)
--------test_sac_different_frictions.py(4KB)
--------test_sac.py(5KB)
--------tools_app.py(42KB)
--------test.sh(740B)
--------ref_trajectory()
--------train_sac.py(8KB)
--------test_sac_app.py(3KB)
--------test_dqn.py(4KB)
--------SACAgent.py(12KB)
--------test_sac_different_vehicles.py(5KB)
--------waypoints()
--------environment.py(19KB)
--------carla_tools.py(42KB)
--------test_ddpg.py(3KB)
----requirements.txt(169B)
----.gitignore(17B)
----weights()
--------sac-wos()
--------ddpg()
--------sac-stg1()
--------dqn()
--------sac-stg2()
----README.md(3KB)