gym

Dataset de fitness com 1.324 exercícios — GIFs animados, miniaturas 180×180, dados de grupos musculares e equipamentos, e instruções passo a passo em 6 idiomas. A camada de dados de exercícios por trás do aplicativo LogPress.

Implementações confiáveis de algoritmos de reinforcement learning, versão PyTorch do Stable Baselines.

Uma API padrão para ambientes de aprendizado por reforço de agente único, com ambientes de referência populares e utilitários relacionados (anteriormente Gym)

Implementação em arquivo único de alta qualidade de algoritmos de Deep Reinforcement Learning com recursos voltados para pesquisa (PPO, DQN, C51, DDPG, TD3, SAC, PPG).

Plataforma moderna de treinamento físico de código aberto. Crie planos de treino, acompanhe o progresso e acesse uma base de dados abrangente de exercícios.

Rastreador de fitness/treino, nutrição e peso FLOSS auto-hospedado

Um framework de treinamento para agentes de aprendizado por reforço Stable Baselines3, incluindo otimização de hiperparâmetros e agentes pré-treinados.

MuZero

Framework distribuído com aceleração por GPU para computação evolutiva. Biblioteca abrangente de algoritmos evolutivos e problemas de benchmark.

Ambientes Gymnasium PyBullet para aprendizado por reforço de agente único e multiagente no controle de quadricópteros.

[NeurIPS 2023 Spotlight] LightZero: Um benchmark unificado para Monte Carlo Tree Search em cenários de decisão sequencial geral (awesome MCTS).

Motor de execução de ambiente paralelo de alto desempenho baseado em C++ (ambiente vetorizado) para ambientes de RL geral.

[NeurIPS 2025 Spotlight] Ambientes de raciocínio para aprendizado por reforço com recompensas verificáveis

Avalie e aprimore modelos e agentes usando ambientes

Algoritmo Asynchronous Advantage Actor-Critic (A3C) para Super Mario Bros.

Biblioteca modular de Aprendizado por Reforço (RL) (implementada em PyTorch, JAX e NVIDIA Warp) com suporte para Gymnasium/Gym, NVIDIA Isaac Lab, MuJoCo Playground e outros ambientes

Ambientes de Aprendizagem por Reforço para Controle de Sinais de Trânsito com SUMO. Compatível com Gymnasium, PettingZoo e bibliotecas populares de RL.

Códigos-fonte para o livro "Reinforcement Learning: Theory and Python Implementation"

Aplicativo Flutter de condicionamento físico/treino para o wger

Ambientes PyBullet CartPole e Quadrotor — com dinâmica simbólica a priori CasADi — para controle baseado em aprendizado e RL

Framework unificado de aprendizado por reforço.

MobileGym: Uma plataforma de simulação verificável e altamente paralela para pesquisa de agentes de GUI móveis · Simulador Android executado no navegador · Simulador Android hospedado no navegador · Avaliação Verificável · Treinamento RL online escalável

Pacote contrib para Stable-Baselines3 - Código experimental de aprendizado por reforço (RL).

Uma coleção de ambientes multi-agente baseados no OpenAI Gym.

O VMAS é um simulador vetorizado e diferenciável projetado para benchmarks eficientes de aprendizado por reforço multi-agente. Ele é composto por um mecanismo de física 2D vetorizado escrito em PyTorch e um conjunto de cenários desafiadores com múltiplos robôs. Cenários adicionais podem ser implementados por meio de uma interface simples e modular.

Um aplicativo multiplataforma para acompanhar seus treinos na academia

Implementações de algoritmos de Aprendizado por Reforço Multi-Objetivo.

Um Gym para LLMs baseadas em agentes

Your workout logs visualized!