Dynamic model training

Для решения задачи оптимального управления роботом, требуется точная динамическая модель, но получить ее аналитическими способами не всегда возможно. В данном репозитории представлен инструмент для получения динамической модели робота, нейросетевыми методами. Нейросеть предсказывает следующее состояние робота через заданную временную дельту, на основании текущего состояния и управляющего воздействия.

Overview

В репозитории созданы следующие инструменты:

1. Использование docker
2. Классы и утилиты для обучения модели
3. Пример обучения модели дифференциального робота
4. Инструкция по самостоятельному обучению модели

• Описание класса датасета и как собирать данные для обучения
• Описание класса модели робота
• Запуск обучения и анализ результатов
• Скрипт для экспорта модели из Pytorch в ONNX

Минимальные системные требования

• 4 ядра процессора
• 8 ГБ ОЗУ
• Видеокарта nvidia (например Nvidia GTX 1060 ti)

Start Guide

1. Собрать докер контейнер и убедиться, что Pytorch нормально запускается на GPU

python3
>>> import torch
>>> torch.cuda.is_available()

установить пакет robot_nn при использованни pytorch-container

cd ws
pip3 install .

Если torch.cuda.is_available() возвращает False, попробуйте установить nvidia-docker по инструкции или обновить nvidia-driver.

2. Запустить обучение модели на тестовых данных, собранных для робота Rosbot в симуляторе Gazebo 9 инструкция

3. Переопределить классы датасета и модели робота и создать скрипт обучения инструкция