#Description Super Awesome Cool Tanks是一款使用Phaser引擎和Paperjs创建的 2D 回合制火炮 HTML5 游戏。 还包括使用 C# 创建的地形编辑器。 ＃特征 可定制的地图 地形编辑器 使用多边形减法的可变形地形 同屏多人 每个玩家多辆坦克 轨迹指示器 ＃去做 弹丸威力 不同的弹丸类型 不同的地图选择

状态：活动（在活动开发中，可能会发生重大更改） 该存储库将实现经典且最新的深度强化学习算法。 该存储库的目的是为人们提供清晰的pytorch代码，以供他们学习深度强化学习算法。 将来，将添加更多最先进的算法，并且还将保留现有代码。 要求 python <= 3.6 张量板 体育馆> = 0.10 火炬> = 0.4 请注意，tensorflow不支持python3.7 安装 pip install -r requirements.txt 如果失败： 安装健身房 pip install gym 安装pytorch please go to official webisite to install it: https://pytorch.org/ Recommend use Anaconda Virtual Environment to manage your packages 安装tensorboardX pip install tensorboardX pip install tensorflow==1.12 测试 cd Char10\ TD3/ python TD3

SAC软件的使用，安装及编程语法，以及详细的地震数据处理流程，中文版便于理解和阅读。

用于目标点云与原点云之间的变换矩阵，基于PCL1.11.1版本， 修改至https://blog.csdn.net/peach_blossom/article/details/78506184

使用Pytorch实现的深度RL算法 算法列表： 关于深入探讨 实验结果： 算法 离散环境：LunarLander-v2 连续环境：Pendulum-v0 DQN -- VPG -- DDPG -- TD3 -- SAC -- PPO -- 用法： 只需直接运行文件/算法。 在我学习算法时，它们之间没有通用的结构。 不同的算法来自不同的来源。 资源： 未来的项目： 如果有时间，我将为使用RL的电梯添加一个简单的程序。 更好的图形

利用ReadSac2Txt.exe程序，可以把地震数据常用的sac格式，快速并批量地转换为txt格式，然后用文本编辑器方便快速查看。此版本不能争取读取IEEE格式sac文件！！请下载ReadSac2Txt_2.0.exe

在莫凡的虚拟环境基础上进行修改 SAC改动很少 在windows系统 cuda10.1 tensorflow2.2 tensorflow-probability 0.6.0 tensorlayer >=2.0.0 效果还行

SAC-COT_ Sample Consensus by Sampling Compatibility Triangles.pdf

linux平台下，用于将地震数据的miniseed格式转成SAC格式

SAC-IA粗配准+ICP精配准 采样一致性初始配准算法（Sample Consensus Initial Aligment , SAC-IA) 此算法依赖于点特征直方图，所以在执行此算法之前，应该先计算点云的FPFH ICP算法基于SVD