Building configurable reinforcement learning robotic environments

Kallinteris Andreas

URI	http://purl.tuc.gr/dl/dias/C2182ACC-1A55-48C2-8366-8094FE4CD43B	-
Identifier	https://doi.org/10.26233/heallink.tuc.102570	-
Language	en	-
Extent	64 pages	en
Title	Building configurable reinforcement learning robotic environments	en
Title	Δημιουργία παραμετροποιήσιμων ρομποτικών περιβαλλόντων ενισχυτικής μάθησης	el
Creator	Kallinteris Andreas	en
Creator	Καλλιντερης Ανδρεας	el
Contributor [Committee Member]	Lagoudakis Michail	en
Contributor [Committee Member]	Λαγουδακης Μιχαηλ	el
Contributor [Committee Member]	Spyropoulos Thrasyvoulos	en
Contributor [Committee Member]	Σπυροπουλος Θρασυβουλος	el
Contributor [Thesis Supervisor]	Chalkiadakis Georgios	en
Contributor [Thesis Supervisor]	Χαλκιαδακης Γεωργιος	el
Publisher	Πολυτεχνείο Κρήτης	el
Publisher	Technical University of Crete	en
Academic Unit	Technical University of Crete::School of Electrical and Computer Engineering	en
Academic Unit	Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
Description	A technical report on the subjects of (1) Gymnasium/MuJoCo-v5, (2) Offline Minari RL datasets for Gymnasium/MuJoCo-v5, (3) Gymnasium-Robotics/Maze-v5, (4) Gymnasium-Robotics/MaMuJoCo, (5) along with a couple of interesting experiments.	en
Content Summary	The creation of standardized environment implementations and an Application Programming Interface (API) for OpenAI/Gym has had a transformative impact on reinforcement learning (RL) research. However, the current set of standardized environments has to be extended, so as to contribute to the further advancement of reinforcement learning algorithms. In this diploma thesis, we have developed, and we provide a plethora of novel environments and frameworks for robotic reinforcement learning, including Gymnasium/Mujoco-v5, Gymnasium-Robotics/Maze-v5, and Gymnasium-Robotics /MaMuJoCo, along with offline RL datasets for Gymnasium/MuJoCo environments with the Minari API. These advancements can potentially enable researchers to develop and test new algorithms in more realistic and challenging environments, which will ultimately lead to more robust and generalizable reinforcement learning algorithms.	en
Content Summary	Η δημιουργία τυποποιημένων υλοποιήσεων περιβάλλοντος και ενός Application Programming Interface (API) για το OpenAI/Gym, έπαιξε καθοριστικό ρόλο στην πρόσφατη πρόοδο της έρευνας για reinforcement learning (RL). Ωστόσο, το περιορισμένο σε αριθμό και δυνατότητες τρέχον σύνολο τυποποιημένων περιβαλλόντων αποτελεί εν δυνάμει εμπόδιο για την περαιτέρω πρόοδο των αλγορίθμων ενισχυτικής μάθησης. Στην παρούσα διπλωματική εργασία, έχουμε αναπτύξει και παρέχουμε μια πληθώρα νέων περιβαλλόντων και πλαισίων για ρομποτική ενισχυτική μάθηση, συμπεριλαμβανομένων των Gymnasium/Mujoco-v5, Gymnasium-Robotics/Maze-v5, και Gymnasium-Robotics/MaMuJoCo, μαζί με σύνολα δεδομένων για χρήση από offline RL μεθόδους σε περιβάλλοντα Gymnasium/MuJoCo με το Minari API. Οι συνεισφορές μας αυτές μπορούν δυνητικά να επιτρέψουν στους ερευνητές να αναπτύξουν και να δοκιμάσουν νέους αλγορίθμους σε πιο ρεαλιστικά και δύσκολά περιβάλλοντα, το οποίο τελικά θα οδηγήσει σε πιο ισχυρούς και γενικεύσιμους αλγορίθμους ενισχυτικής μάθησης.	el
Type of Item	Διπλωματική Εργασία	el
Type of Item	Diploma Work	en
License	http://creativecommons.org/licenses/by/4.0/	en
Date of Item	2025-03-10	-
Date of Publication	2025	-
Subject	Reinforcment Learning	en
Subject	Gymnasium	en
Subject	Robotics	en
Bibliographic Citation	Andreas Kallinteris, " Building Configurable Reinforcement Learning Robotic Environments", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025	en
Bibliographic Citation	Ανδρέας Καλλιντέρης, "Δημιουργία παραμετροποιήσιμων ρομποτικών περιβαλλόντων ενισχυτικής μάθησης", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025	el

Search

Browse

My Space

Building configurable reinforcement learning robotic environments

Kallinteris Andreas

Available Files

Services

Export

Share

Statistics

Metadata & Content in a METS Package:

Metadata in Format: