Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Entrena una política de manipulación de robots con MuJoCo Deadline Cloud
<a name="examples-jb-mujoco"></a>

El paquete de trabajo [mujoco\_sim\_to\_policy entrena y renderiza una política](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) de manipulación de robots aprendida en Deadline Cloud mediante una simulación del brazo so100 de Strands Robots. [MuJoCo](https://mujoco.org/) El trabajo consta de tres pasos que dependen del personal que trabaja con la GPU gestionada:

1. **Datagen**: selección secuenciada de un cubo en MuJoCo un espacio conjunto y registrada como un conjunto de datos. LeRobot Cada episodio se verifica mediante un control de la altura del cubo y se descarta si falla.

1. **Tren**: ajusta una política de LeRobot ACT sobre el conjunto de datos generado (CUDA).

1. **Renderizar**: impulsa una MuJoCo implementación con la política ajustada y graba el resultado como un vídeo MP4 y fotogramas PNG.

El paquete requiere una flota de GPU Linux x86\_64 (los pasos se renderizan sin problemas con EGL y se entrenan con CUDA) y un entorno de colas conda que consume los parámetros del trabajo. `CondaPackages` `CondaChannels` Los paquetes conda predeterminados están activados. `python=3.12 pip git ffmpeg` `conda-forge`

Desde el `job_bundles` directorio, envíe el trabajo:

```
OUT="$(pwd)/output"; mkdir -p "$OUT"
deadline bundle submit mujoco_sim_to_policy -p "OutputDir=$OUT" --yes
```