/ Модель

Характеристики

Библиотека
stable-baselines3
Опубликована
7 июл 2026

sac-her-PandaPickAndPlace-v3

Обучение с подкреплением

Агент SAC с HER управляет роботом Panda, захватывая объект и перемещая его к заданной позиции в симуляции PandaPickAndPlace-v3.

1скачиваний за 30 дней0лайковвеса обновлены7 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это агент Soft Actor-Critic (SAC) с Hindsight Experience Replay (HER), обученный автором репозитория monshinawatra для управления манипулятором Panda в среде PandaPickAndPlace-v3 из panda-gym. Модель предназначена для обучения и выполнения задачи захвата объекта и перемещения его к заданной позиции в среде с разреженной наградой.

Агент принимает структурированное наблюдение среды с текущим состоянием, достигнутой целью и желаемой целью и выдаёт действие управления: трёхмерное смещение конечного звена манипулятора и команду захвату. Используется Stable-Baselines3; файлы представлены в формате PyTorch. В README приведён результат детерминированной оценки: средняя награда −20,80 ± 19,18 при ограничении эпизода в 50 шагов.

HER расширяет обучающий сигнал, переинтерпретируя неудачные траектории как достижение альтернативных целей. Приведённый результат показывает вариативность и не гарантирует надёжного достижения исходной цели во всех эпизодах. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • обучение манипулятора Panda захвату объектов в симуляции
  • перемещение захваченного объекта к целевой позиции
  • эксперименты с SAC и Hindsight Experience Replay
  • оценка goal-conditioned обучения с разреженной наградой

Ограничения

В опубликованной оценке средняя награда составляет −20,80 ± 19,18 при лимите 50 шагов, поэтому успешность и скорость достижения цели заметно варьируются. Лицензия в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SAC + HER agent playing PandaPickAndPlace-v3

This is a SAC (Soft Actor-Critic) agent trained with Hindsight Experience Replay (HER) on the PandaPickAndPlace-v3 environment from panda-gym, using stable-baselines3.

Why HER?

PandaPickAndPlace-v3 is a sparse-reward, goal-conditioned task: the agent gets -1 reward every step until the object reaches the target position, 0 otherwise. Plain off-policy RL (SAC/TD3/DDPG) essentially never learns here, because a random policy almost never reaches the goal, so almost every trajectory carries the same uninformative reward signal.

HER fixes this by relabeling failed trajectories: for a rollout that failed to reach its intended goal g but happened to move the object to some other position g', HER stores an extra transition where g' is treated as if it had been the goal all along, with the reward recomputed accordingly. This turns every episode into a source of positive learning signal, "success at a different goal", even when the original goal wasn't reached.

Results

Evaluated over multiple episodes with deterministic actions:

Mean reward = -20.80 +/- 19.18

(episode length capped at 50 steps, -50 = never reached goal, values closer to 0 = faster successful pick-and-place)

Demo

replay

Training hyperparameters

HyperparameterValue
AlgorithmSAC
Replay bufferHerReplayBuffer
n_sampled_goal4
goal_selection_strategyfuture
learning_starts1000
learning_rate1e-3
buffer_size1,000,000
batch_size1024
gamma0.95
tau0.05
net_arch[512, 512, 512]
n_critics2
n_envs8
Total timesteps1,000,000
Observation normalizationVecNormalize(norm_obs=True, norm_reward=False)

learning_starts must exceed the environment's max episode length (50 steps) so that HER always has at least one complete episode to relabel before the first gradient update — otherwise SB3 raises RuntimeError: Unable to sample before the end of the first episode.

Full training script: train.py.

Usage (with Stable-Baselines3)

pip install stable-baselines3 sb3-contrib huggingface_sb3 panda-gym
import gymnasium as gym
import panda_gym
from huggingface_sb3 import load_from_hub
from stable_baselines3 import SAC
from stable_baselines3.common.vec_env import DummyVecEnv, VecNormalize

repo_id = "monshinawatra/sac-her-PandaPickAndPlace-v3"

checkpoint = load_from_hub(repo_id, "sac-her-PandaPickAndPlace-v3.zip")
stats_path = load_from_hub(repo_id, "vec_normalize.pkl")

env = DummyVecEnv([lambda: gym.make("PandaPickAndPlace-v3", render_mode="human")])
env = VecNormalize.load(stats_path, env)
env.training = False
env.norm_reward = False

model = SAC.load(checkpoint, env=env)

obs = env.reset()
for _ in range(1000):
    action, _ = model.predict(obs, deterministic=True)
    obs, reward, done, info = env.step(action)
    env.render()

Full inference script (with evaluation loop): inference.py.

Environment

  • Env ID: PandaPickAndPlace-v3
  • Observation space: Dict (observation, achieved_goal, desired_goal) — requires MultiInputPolicy
  • Action space: Box(4,) — 3D end-effector displacement + gripper
  • Max episode steps: 50

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · stable-baselines3

Нельзя запустить

RL-агенты не запускаются как сервис инференса.

Ревизия весов
b113a9c

0 моделей