К содержимому
Другое

car-racing-ppo

RL-агент для гонок CarRacing-v3

2 мин чтенияобновлено

Модель представляет собой агента обучения с подкреплением (RL) на базе алгоритма PPO, обученного управлять автомобилем в симуляторе Gymnasium CarRacing-v3 напрямую по пикселям экрана. Релиз построен на библиотеке Stable-Baselines3 (архитектура CnnPolicy) от автора TheOnlyGoatsan и является четвёртой итерацией в серии экспериментов с настройкой функции вознаграждения. В отличие от базового обучения на стандартных очках игры, здесь добавлены штрафы за выезд на траву, отклонение от центра трассы и резкое виляние рулём, а также бонус за скорость по полотну. Модель подойдёт разработчикам и студентам, изучающим reinforcement learning и reward shaping (конструирование наград) на классических визуальных средах.

Ключевые особенности

  • Прирост качества: на тесте из 100 фиксированных трасс агент набирает в среднем 742 ± 31 балла против 540 ± 34 у модели со стандартной наградой игры (лучше на 87 трассах из 100).
  • Работа по пикселям: на вход подаётся стек из 2 последних чёрно-белых кадров размером 64×64, решение принимается каждые 2 кадра.
  • Продуманный reward shaping: система поощряет движение по центру трассы и скорость на асфальте, но штрафует за съезд на траву (-0.1) и резкие рывки руля.
  • Готовые артефакты: в репозитории лежат веса модели (final.zip), параметры нормализации (final_vecnormalize.pkl) и таблица результатов по каждой трассе (bench.csv).

Что можно сделать

  • Запустить готового агента в среде Gymnasium CarRacing-v3 для оценки поведения машины на различных трассах.
  • Использовать bench.csv и описанную формулу награды как отправную точку для собственных экспериментов по преодолению порога в 900 баллов.

Пример

Для запуска агента требуются обёртки предобработки кадров (уменьшение до 64×64, перевод в оттенки серого, пропуск 2 кадров и стекирование 2 кадров), после чего загружается файл final.zip в Stable-Baselines3. При детерминированном запуске на 100 контрольных сидах (1000–1099) агент показывает медианный результат 783 балла, а на 15% трасс набирает 900 и более очков.

ПодробнееБенчмарк (100 трасс): среднее 742 ± 31, медиана 783, 15% трасс ≥ 900 (порог полного решения среды — среднее 900).
Ограничение: агенту не хватает скорости — на 85% трасс заканчивается лимит в 1000 кадров до финиша круга.
Обучение: 4 млн шагов принятия решений, PPO (SB3 2.9.2) с gSDE, batch 128, 10 эпох, lr от 1e-4 линейно до 0, головы actor/critic по 256 (GELU).
Обсудить Telegram 0 27

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # TheOnlyGoatsan/car-racing-ppo
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download TheOnlyGoatsan/car-racing-ppo --local-dir ~/models/car-racing-ppo
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к car-racing-ppo
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии car-racing-ppo — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

TheOnlyGoatsan/car-racing-ppo
Автор
TheOnlyGoatsan
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

270

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Sloth-27B-v1

Sloth-27B-v1
Другое

tell-fit-clip

tell-fit-clip