gym

1.324-Übungsfitness-Datensatz — Animations-GIFs, 180×180 Miniaturansichten, Muskelgruppen- & Gerätedaten und schrittweise Anleitungen in 6 Sprachen. Die Übungsdatenebene hinter der LogPress-App.

PyTorch-Version von Stable Baselines, zuverlässige Implementierungen von Reinforcement-Learning-Algorithmen.

Eine Standard-API für Reinforcement-Learning-Umgebungen mit einem Agenten, inklusive gängiger Referenzumgebungen und zugehöriger Hilfsprogramme (ehemals Gym)

Hochwertige Ein-Datei-Implementierung von Deep-Reinforcement-Learning-Algorithmen mit forschungsfreundlichen Funktionen (PPO, DQN, C51, DDPG, TD3, SAC, PPG)

🏋 Moderne Open-Source-Fitness-Coaching-Plattform. Erstelle Trainingspläne, verfolge Fortschritte und greife auf eine umfassende Übungsdatenbank zu.

Selbstgehosteter FLOSS-Fitness-, Trainings-, Ernährungs- und Gewichtstracker.

Ein Trainings-Framework für Reinforcement-Learning-Agenten von Stable Baselines3, einschließlich Hyperparameter-Optimierung und vortrainierten Agenten.

MuZero

Verteiltes, GPU-beschleunigtes Framework für evolutionäre Berechnungen. Umfassende Bibliothek evolutionärer Algorithmen und Benchmark-Probleme.

PyBullet Gymnasium-Umgebungen für das Single- und Multi-Agenten-Reinforcement-Learning zur Quadcopter-Steuerung

[NeurIPS 2023 Spotlight] LightZero: Ein einheitlicher Benchmark für Monte-Carlo-Baumsuche in allgemeinen sequenziellen Entscheidungsszenarien (awesome MCTS)

C++-basierte Hochleistungs-Ausführungsumgebung für parallele Umgebungen (vektorisiertes Env) für allgemeine RL-Umgebungen.

[NeurIPS 2025 Spotlight] Reasoning-Umgebungen für Reinforcement Learning mit verifizierbaren Belohnungen

Modelle und Agenten mithilfe von Umgebungen evaluieren und verbessern

Asynchronous Advantage Actor-Critic (A3C) Algorithmus für Super Mario Bros

Modulare Reinforcement-Learning-Bibliothek (implementiert in PyTorch, JAX und NVIDIA Warp) mit Unterstützung für Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground und andere Umgebungen.

Reinforcement-Learning-Umgebungen für die Ampelsteuerung mit SUMO. Kompatibel mit Gymnasium, PettingZoo und gängigen RL-Bibliotheken.

Quellcode für das Buch „Reinforcement Learning: Theory and Python Implementation“

Flutter-Fitness-/Workout-App für wger

PyBullet CartPole- und Quadrotor-Umgebungen mit symbolischer A-priori-Dynamik von CasADi für lernbasiertes Steuern und Reinforcement Learning

Einheitliches Reinforcement-Learning-Framework

MobileGym: Eine verifizierbare und hochparallele Simulationsplattform für die Forschung zu mobilen GUI-Agenten · Im Browser laufender Android-Emulator · Browser-hosted Android Simulator · Verifizierbare Evaluierung · Skalierbares Online-RL-Training

Contrib-Paket für Stable-Baselines3 – Experimenteller Reinforcement-Learning-Code (RL)

Eine Sammlung von Multi-Agenten-Umgebungen basierend auf OpenAI gym.

VMAS ist ein vektorisierter, differenzierbarer Simulator für effizientes Benchmarking im Multi-Agent Reinforcement Learning. Er besteht aus einer in PyTorch geschriebenen 2D-Physik-Engine und einer Reihe anspruchsvoller Multi-Roboter-Szenarien. Weitere Szenarien lassen sich über eine einfache, modulare Schnittstelle implementieren.

Eine plattformübergreifende App zur Verfolgung des Krafttrainings

Implementierungen von Multi-Objective Reinforcement Learning Algorithmen.

Eine Trainingsumgebung für agentische LLMs

Your workout logs visualized!