#robotics Dépôts
502 dépôts au total
BrachioGraph est un traçage ultra-économique (coût total des matériaux : 14 €) qui peut être construit avec des compétences minimales.
Package Contrib pour Stable-Baselines3 - Code expérimental d'apprentissage par renforcement (RL)
Utilisation d'un filtre de Kalman à état d'erreur pour fusionner les données IMU et GPS pour la localisation.
Répertoire de nos articles : Modèle du Monde Robotique : Un simulateur de réseau neuronal pour l'optimisation robuste des politiques en robotique et un Modèle du Monde Robotique conscient de l'incertitude permet au renforcement par apprentissage basé sur modèle hors ligne de fonctionner sur des robots réels
SLAM dynamique, recherche SLAM à vie (Lidar, Visuel, Fusion de capteurs etc.)
Une boîte à outils modulaire, ouverte et non propriétaire pour les fonctionnalités robotiques de base en exploitant l'apprentissage profond
Ensemble d'environnements robotiques basés sur le moteur physique PyBullet et gymnasium.
RBDL est une bibliothèque C++ qui contient certains algorithmes essentiels et efficaces de dynamique des corps rigides, tels que l'algorithme Articulated Body (ABA) pour la dynamique directe, l'algorithme récursif Newton-Euler (RNEA) pour la dynamique inverse, l'algorithme Composite Rigid Body (CRBA) pour le calcul efficace de la matrice d'inertie de l'espace articulaire et est également capable de calculer la dynamique directe avec des contraintes de contact externes et des impulsions de collision. De plus, elle offre un support de base pour la cinématique directe et inverse
Microban est un robot humanoïde abordable, entièrement imprimable en 3D et 100 % open source. Propulsé par un Raspberry Pi Zero 2W et 19 servomoteurs Dynamixel, il constitue une plateforme DIY accessible pour l’apprentissage, l’expérimentation et la recherche en robotique.
Code pour "Adversarial Motion Priors Make Good Substitutes for Complex Reward Functions"
Cadre basé sur ROS et image RPi pour contrôler les drones propulsés par PX4 🍀
Une Approche Robuste pour l'Odométrie LiDAR-Inertielle Sans Modélisation Spécifique aux Capteurs
LSD (LiDAR SLAM & Detection) est une architecture de perception open source pour véhicules/robots autonomes
[IROS 2021] BundleTrack : Suivi de pose 6D pour objets nouveaux sans modèles 3D au niveau instance ou catégorie
BenchMARL est une bibliothèque pour l'évaluation comparative de l'apprentissage par renforcement multi-agents (MARL). BenchMARL permet de comparer rapidement différents algorithmes, tâches et modèles MARL tout en étant systématiquement ancré dans ses deux principes fondamentaux : la reproductibilité et la standardisation.
Une version 1.1 du bras robotique économique Alexander Koch avec quelques petits changements.
Pizi Heng Embedded Semi-mensuel, partage des outils ou projets utiles et intéressants dans le domaine embedded ainsi que quelques actualités chaudes. À partir de février 2020, un numéro est publié tous les demi-mois.
Du grand au petit : Guidage planaire local multi-échelle pour l'estimation de profondeur monoculaire
[CVPR 2024 & NeurIPS 2024] EmbodiedScan : Une suite holistique de perception 3D multimodale pour l'IA incarnée
La planification de trajectoire à couverture complète fournit un plugin move_base_flex qui peut planifier une trajectoire qui couvrira entièrement une zone donnée
Open Reality : transformez des vidéos de téléphone en scènes 3D interrogeables par l’IA. Outils MCP pour Claude/Codex/Cursor (npm openreality-mcp), un service intermédiaire hébergeable soi-même et la bibliothèque VGGT-SLAM, réunis dans un seul dépôt. BSD-2-Clause.
Optimisation embarquée non convexe : génération de code pour une optimisation en temps réel rapide + support ROS
Conversion d'un assemblage Onshape en définition de robot (URDF, SDF, MuJoCo) via l'API Onshape
Framework collaboratif décentralisé épars pour la localisation et la cartographie simultanées pour systèmes multi-robots
🤔 MULLS : SLAM LiDAR polyvalent via la méthode des moindres carrés linéaires multi-métriques [ICRA '21]
Un cerveau qui apprend de l’expérience vécue. Le système 1 par défaut : perception, mémoire, plasticité et action. Le système 2, en option, pour l’auto-observation et les corrections lentes.
Ce dépôt contient une collection de ressources et d'articles sur les modèles de diffusion pour la RL, accompagnant l'article "Diffusion Models for Reinforcement Learning: A Survey".