As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Treine uma política de manipulação de robôs com o MuJoCo Deadline Cloud
<a name="examples-jb-mujoco"></a>

O pacote de tarefas [mujoco\_sim\_to\_policy treina e renderiza uma política](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/mujoco_sim_to_policy) aprendida de manipulação de robôs no Deadline Cloud usando uma simulação do braço so100 da Strands Robots. [MuJoCo](https://mujoco.org/) O trabalho executa três etapas dependentes nos trabalhadores gerenciados da GPU:

1. **Datagen** — Seleção de espaço conjunto com script de um cubo, registrada como um conjunto de dados. MuJoCo LeRobot Cada episódio é verificado por uma verificação da altura do cubo e descartado se falhar.

1. **Treinar** — ajusta uma política do LeRobot ACT no conjunto de dados gerado (CUDA).

1. **Renderização** — conduz uma MuJoCo implementação com a política ajustada e registra o resultado como um vídeo MP4 e quadros PNG.

O pacote requer uma frota de GPU Linux x86\_64 (as etapas são renderizadas sem interrupções por meio do EGL e treinadas no CUDA) e um ambiente de fila conda que consome os parâmetros do trabalho. `CondaPackages` `CondaChannels` Os pacotes conda padrão estão ativados`python=3.12 pip git ffmpeg`. `conda-forge`

No `job_bundles` diretório, envie o trabalho:

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