#reinforcement-learning Repositories
Insgesamt 564 Repositories
Kursnotizen zu Machine Learning (Machine Learning) 2021 Spring des Professors Li Hongyi der Universität Taipeh (NTU)
Verwandte Arbeiten für verstärkendes Lernen, einschließlich klassischer Arbeiten und neuester Arbeiten in Top-Konferenzen
NeurIPS 2023: Safety-Gymnasium: Ein einheitlicher Benchmark für sicheres bestärkendes Lernen
[ICML 2026] Offizielle Ressourcen von „Graph-R1: Auf dem Weg zu einem Agentic GraphRAG-Framework durch End-to-End-Verstärkendes Lernen“.
Eine Sammlung von Papieren, Codes, Datensätzen, Benchmarks und Ressourcen zum multimodalen Denken.
AAAI 2024 Paper: Entdecken Sie eine umfassende Sammlung innovativer Forschungsarbeiten, die auf einer der führenden Konferenzen für künstliche Intelligenz vorgestellt wurden. Integrieren Sie nahtlos Code-Implementierungen für ein besseres Verständnis. ⭐ Erleben Sie mit diesem Repository den Fortschritt im Bereich der künstlichen Intelligenz auf höchstem Niveau!
Eine kuratierte Liste von Arbeiten zum Thema Reinforcement Learning für die Videogenerierung
Chain-of-Agents: End-to-End Agenten-Grundlagenmodelle mittels Multi-Agenten-Destillation und Agentic RL.
Meta Agents Research Environments ist eine umfassende Plattform zur Evaluierung von KI-Agenten in dynamischen, realistischen Szenarien. Im Gegensatz zu statischen Benchmarks führt diese Plattform sich entwickelnde Umgebungen ein, in denen Agenten ihre Strategien anpassen müssen, sobald neue Informationen verfügbar werden, was die Herausforderungen der realen Welt widerspiegelt.
Prototyping von Robotern für PyBullet (F1/10 MIT Racecar, Sawyer, Baxter und Dobot-Arm, Boston Dynamics Atlas und Botlab-Umgebung)
[CVPR 2025 Oral] TokenHSI: Vereinheitlichte Synthese physikalischer Mensch-Szene-Interaktionen durch Aufgaben-Tokenisierung
Eine RL-Gym-Umgebung für anspruchsvolle Probleme der datengetriebenen Modellierung und Regelung der Fluiddynamik.
Veröffentlicht in Nature Machine Intelligence! Der erste echte Roboter (Quadrotor) basierend auf differenzierbarem Physik-Training.
FineEnvs — RL-Umgebungen 101: RL-Umgebungen im Zeitalter der LLMs erstellen und skalieren
『Deep Learning von Grund auf ❹』(O'Reilly Japan, 2022)
UMI on Legs: Mobile Manipulationsstrategien durch manipulationszentrierte Ganzkörper-Controller
Deep Reinforcement Learning (PPO) im autonomen Fahren (Carla) [von Grund auf]
Dies ist ein neues Repository, das zur Ausbildung von UAV‑Navigationsstrategien (lokale Pfadplanung) mithilfe von DRL‑Methoden verwendet wird.
Implementierung von ChatGPT RLHF (Reinforcement Learning with Human Feedback) für jedes Generierungsmodell in Hugging Faces Transformer (blommz-176B/bloom/gpt/bart/T5/MetaICL)
CUDA-L2: Übertrifft cuBLAS-Leistung bei Matrixmultiplikation durch Reinforcement Learning
[CVPR 2025 Highlight] InterMimic: Auf dem Weg zur universellen Ganzkörpersteuerung für physikbasierte Mensch-Objekt-Interaktionen
Eine kuratierte Liste von Ressourcen zur Künstlichen Intelligenz (Kurse, Tools, Apps, Open-Source-Projekte)
Langostino – Eine Open-Source-Plattform für autonome Drohnen mit ROS2 und KI-gestützter Flugsteuerung. Eine vollständige Referenzimplementierung zum Entwickeln, Verstehen und Erweitern der Autonomie realer Drohnen.
Ein Open-Source-Framework für vierbeinige Roboter-Haustiere auf ESP32-Basis zur Entwicklung von Vierbeinern im Stil von Boston Dynamics. Ideal für MINT-, Programmier- und Robotikunterricht, IoT-Roboteranwendungen, KI-gestützte Robotik-Anwendungsdienste, Forschung und die Entwicklung von DIY-Robotikbausätzen.
PLUTO: Verschiebung der Grenzen der Imitationslern-basierten Planung für autonomes Fahren
Implementierungen von Multi-Objective Reinforcement Learning-Algorithmen.
[NeurIPS 2025 Spotlight] LLM-Nach-Trainings-Suite — mit ReasonFlux, ReasonFlux-PRM und ReasonFlux-Coder.
🦆 Microduck Feetech HD1910 Roboter-Enten-Replik: Einbeinstand auf echter Hardware, sofort einsatzbereite Bewegungsmodelle, chinesische Steuerkonsole, eigenes HAT/IMU und eine Bauanleitung in 3 Schritten. Für eine Standard-Replik ist kein Training erforderlich.
Kuratiertes Verzeichnis öffentlich zugänglicher Kurse im Bereich Machine Learning Engineering von CalTech, Columbia, Berkeley, MIT und Stanford.
[RSS 2024] Agil, aber sicher: Kollisionsfreies Hochgeschwindigkeits-Beinfortbewegung lernen
Eine Open-Source-Python-Bibliothek für Pokerspielsimulationen, Handbewertungen und statistische Analysen
Moxin ist eine Familie von vollständig quelloffenen und reproduzierbaren LLMs
Bestärkendes Lernen mit Weltmodellen für VLM-Agenten mit mehreren Dialogrunden. Framework für bestärkendes Lernen im Bereich Vision (NeurIPS 2025).