Ravens项目提供了一系列在PyBullet中模拟的任务，专注于学习基于视觉的机器人抓取与放置操作。项目包含一个类似Gym的API和10个桌面排布任务，每个任务包括专家演示脚本和奖励函数，用于模仿学习和强化学习。该项目展示了Transporter Network的效率，通过重新排列深度特征来推断视觉输入的空间位移，从堆叠积木到处理变形绳索，学习速度和推广能力均优于基准方法。

se(3)-TrackNet通过校准合成图像残差，实现视频序列中的6D姿态跟踪，适用领域包括机器人操控和增强现实。其神经网络架构有效减少域迁移，并采用Lie Algebra实现三维定向表示，即使仅使用合成数据训练也能在真实图像中工作。研究表明，在遮挡条件下，该方法提供稳定和精准的姿态估计，计算效率高达90.9Hz。

本项目汇总了强化学习领域应用扩散模型的最新研究论文，涵盖离线RL、机器人控制、轨迹规划等多个方向。持续追踪并整理扩散强化学习的前沿进展，为研究人员提供全面的参考资源。每篇论文均附有概述、代码链接和实验环境等详细信息，方便读者深入了解。

UMI on Legs项目为四足机器人与机械臂结合提供了可扩展的操作技能框架。该框架整合真实人类示范和模拟训练的全身控制器，实现视觉运动策略在四足机器人上的应用。项目涵盖全身控制器模拟训练、实际部署、iPhone里程计应用、UMI真实环境类和ARX5 SDK等组件，为机器人操作研究提供综合解决方案。

OK-Robot是一个零样本模块化框架，集成了先进的导航和操作模型，用于执行家庭环境中的取放任务。该项目在10个真实家庭中测试了170多个物体，成功率达58.5%。通过整合AnyGrasp抓取和VoxelMap开放词汇导航等技术，OK-Robot为家庭服务机器人研究提供了开放平台。

DRLib是一个集成主流off-policy强化学习算法的开源库,支持HER和PER技术。基于OpenAI Spinning Up开发,提供TensorFlow和PyTorch两个版本。相比原版更易用和调试,适合机器人相关任务研究。提供详细环境配置教程。

SimplerEnv 是一个基于 SAPIEN 模拟器和 ManiSkill2 基准的开源项目,为真实机器人操作策略评估提供高效可扩展的模拟环境。它包含视觉匹配和变体聚合两种评估方法,支持 RT-1 和 Octo 等策略的测试,并允许添加新的机器人和环境。该项目旨在推动真实到模拟评估技术的发展,为机器人操作策略研究提供标准化的评估工具。

VoxPoser是一个3D机器人操作轨迹合成系统，结合大型语言模型和视觉语言模型实现零样本任务执行。该项目在RLBench环境中实现，无需训练数据即可生成复杂操作轨迹。系统通过语言模型程序（LMPs）递归生成代码，分解指令并为子任务组合价值图。VoxPoser包含接口、规划器和控制器等核心组件，用于规划和执行机器人操作任务。

RoboHive是基于MuJoCo物理引擎的机器人学习环境集合,包含手部操作、机械臂控制、肌肉骨骼模拟等多个任务套件。支持OpenAI Gym接口,兼容主流强化学习框架。环境丰富多样,安装使用简便,适合各类机器人学习研究。