翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# Deadline Cloud で MuJoCo を使用してロボット操作ポリシーをトレーニングする
<a name="examples-jb-mujoco"></a>

[mujoco\_sim\_to\_policy](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) ジョブバンドルは、Strands Robots so100 arm の [MuJoCo](https://mujoco.org/) シミュレーションを使用して、Deadline Cloud で学習したロボット操作ポリシーをトレーニングおよびレンダリングします。ジョブは、マネージド GPU ワーカーに対して 3 つの依存ステップを実行します。

1. **Datagen** — MuJoCo のキューブのスクリプト化されたジョイントスペースの選択。LeRobot データセットとして記録されます。各エピソードは立方体の高さチェックによって検証され、失敗した場合は破棄されます。

1. **トレーニング** — 生成されたデータセット (CUDA) の LeRobot ACT ポリシーを微調整します。

1. **レンダリング** — 微調整されたポリシーで MuJoCo ロールアウトを駆動し、結果を MP4 ビデオフレームと PNG フレームとして記録します。

バンドルには、Linux x86\_64 GPU フリート (EGL を介してヘッドレスにレンダリングし、CUDA でトレーニングするステップ) と、 `CondaPackages` および `CondaChannels`ジョブパラメータを使用する conda キュー環境が必要です。デフォルトの conda パッケージは `python=3.12 pip git ffmpeg`にあります`conda-forge`。

`job_bundles` ディレクトリから、ジョブを送信します。

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