# RL

Docker部署Nextcloud及其使用方法 Docker安装 Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从 Apache2.0 协议开源。 Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。 容器是

配置git 和 github 安装 sudo apt-get install git 配置本地 此用户名和邮箱是git提交代码时用来显示你身份和联系方式的，并不是github用户名和邮箱 git config --global user.name "YOUR_NAME" git config --global user.email "YOUR_EMAIL" example git config --global user.name "CodeAlan" git config --global user.email "2546379375@qq.com" 检查配置信息 git config --global …

ROS_notes 换源 sudo cp /etc/apt/sources.list /etc/apt/sources.list.back sudo gedit /etc/apt/sources.list 将内容替换为 清华源 deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted deb http://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal universe deb …

详解DeepSeek-R1核心强化学习算法：GRPO https://zhuanlan.zhihu.com/p/21046265072 VLN课程学习笔记 #VLN课程学习笔记 #第四章 学习范式：IL&RL #部分可观测马尔可夫决策过程（POMDP） #VLA #IL vs RL #模仿学习 #典型：seq2seq模型 #数据增强：Speaker

mavlink_id & mavlink_password Device添加mavlink_id和mavlink_password字段。在/users路由完成数据交互相关的表单。在users.html添加相关表单 后端 mavlink_server_with_user.py:824-880 现在在 /users 返回值中为每台设备带上 mavlink_id/mavlink_pass

本周我系统学习了VLN，核心收获如下： 学习范式：模仿学习（IL）快速入门但性能有限，强化学习（RL）能超越专家但效率低，两者结合（IL+RL）成为主流。 预训练模型：通过自监督学习（如MLM、ITM）让模型掌握跨模态理解，典型模型有PREVA

REVERIE数据集和DUET模型 现在都是还在前期的学习和探索阶段。 读这篇论文： REVERIE： Remote Embodied Visual Referring Expression in Real Indoor Environments （CVPR 2020） REVERlE 发音 [ˈrevəri] DUET(Dual-scale Graph Transformer) REVERIE 是 REVERIE： Remote Embodied Visual Referring Expression in Real Indoor Environments （CVPR 2020） 中引入的大规模远程