%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
Learning To Fly
简介 :
Learning to Fly (L2F) 是一个开源项目，旨在通过深度强化学习训练端到端控制策略，并能够在消费级笔记本电脑上快速完成训练。该项目的主要优点是训练速度快，能够在几秒钟内完成，并且训练出的策略具有良好的泛化能力，可以直接部署到真实的四旋翼飞行器上。L2F项目依赖于RLtools深度强化学习库，并且提供了详细的安装和部署指南，使得研究人员和开发者能够快速上手并进行实验。
需求人群 :
目标受众为机器人学、自动化和人工智能领域的研究人员、开发者和学生。该项目适合他们，因为它提供了一个快速实验和验证新想法的平台，尤其是对于强化学习在机器人控制领域的应用。
使用场景
研究人员使用L2F在模拟环境中快速训练四旋翼飞行器的控制策略。
开发者将训练出的策略部署到真实的Crazyflie四旋翼飞行器上，实现自主飞行。
学生使用L2F项目作为学习深度强化学习和机器人控制的教学工具。
产品特色
快速训练：能在18秒内在笔记本电脑上完成四旋翼控制策略的训练。
端到端控制：提供了从传感器输入到控制输出的完整策略训练。
泛化能力：训练出的策略可以迁移到真实世界的四旋翼飞行器上。
深度强化学习：依赖于RLtools库，利用深度强化学习技术进行策略训练。
跨平台支持：提供了Docker支持，可以在多种操作系统上运行。
用户界面：提供了基于Web的用户界面，方便监控训练过程。
Tensorboard日志：支持Tensorboard日志记录，方便分析训练结果。
代码开源：所有代码都在GitHub上开源，便于社区贡献和改进。
使用教程
1. 克隆仓库到本地：使用git clone命令克隆learning-to-fly项目到本地目录。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%230080ff;%20}%20%3c/style%3e%3c/defs%3e%3cpath%20class='st0'%20d='M16.2,11.1c.4.5.4,1.2,0,1.8l-4.7,7.1h-3.8l5.3-8L7.6,4h3.8l4.7,7.1Z'/%3e%3c/svg%3e)
2. 安装依赖：根据系统环境（Ubuntu或macOS）安装必要的依赖库。
3. 构建项目：在项目根目录下执行cmake命令配置构建，然后使用cmake --build构建项目。
4. 运行训练：使用命令行运行训练程序，例如./build/src/training_headless开始无界面的训练。
5. 使用Tensorboard查看结果：安装Tensorboard后，使用tensorboard --logdir=logs命令查看训练日志。
6. 部署到四旋翼：训练完成后，将策略部署到真实的四旋翼飞行器上进行测试。
7. 使用Docker（可选）：也可以通过Docker运行整个项目，使用docker run命令启动Docker容器。
精选AI产品推荐
Pseudoeditor
PseudoEditor是一款免费在线伪代码编辑器。它具有语法高亮、自动完成等功能，帮助您更轻松地编写伪代码。您还可以使用我们的伪代码编译器功能进行测试。无需下载，即可立即使用。
开发与工具
4.5M
Erbuilder
Softbuilder的AI-powered ER diagrams generation是一款基于人工智能技术的数据建模工具，能够根据自然语言的数据模型描述、用户故事或需求自动生成ER图。通过使用OpenAI GPT，它能够快速生成精美的ER图，大大提高了数据建模的效率。此外，它还提供数据模型文档、验证、探索等功能，可满足各种数据建模需求。Softbuilder的AI-powered ER diagrams generation适用于各类企业和组织，帮助用户轻松创建和管理数据模型。
开发与工具
4.1M