FluidGym
收藏资源简介：
FluidGym是由多特蒙德工业大学和慕尼黑工业大学联合开发的首个独立、完全可微分的强化学习基准测试套件，专注于主动流控制领域。该数据集基于PyTorch实现，集成GPU加速的PICT求解器，无需依赖外部CFD软件，提供标准化评估协议。其包含多样化的环境配置，支持单智能体和多智能体设置，涵盖2D和3D场景，旨在解决流控制中的高维非线性和可扩展性问题。通过16k GPU小时的实验验证，该数据集为基于学习的流控制研究提供了系统化比较和可复现基础。
FluidGym is the first standalone, fully differentiable reinforcement learning benchmark suite co-developed by the Technical University of Dortmund and the Technical University of Munich, focusing on the field of active flow control. Implemented based on PyTorch, it integrates a GPU-accelerated PICT solver, eliminates the need for external CFD software, and provides standardized evaluation protocols. It features diverse environment configurations, supports both single-agent and multi-agent settings, covers 2D and 3D scenarios, and aims to address the challenges of high-dimensional nonlinearity and scalability in flow control. Validated via 16,000 GPU hours of experiments, this benchmark suite provides a systematic comparison and reproducible foundation for learning-based flow control research.
FluidGym 数据集概述
数据集基本信息
- 数据集名称: FluidGym
- 维护者/机构: safe-autonomous-systems
- 许可证: MIT
- 编程语言: Python
- 主要依赖: PyTorch 2.9, CUDA 12.8
- 支持的Python版本: 3.10, 3.11, 3.12, 3.13
数据集描述
FluidGym 是一个用于大规模流动控制的强化学习算法基准测试环境。它提供了一个类似 gymnasium 的接口，旨在促进强化学习算法在计算流体动力学领域的应用和评估。
核心功能与特性
- 提供标准化的强化学习环境接口。
- 包含预定义的流动控制场景，例如
JetCylinder2D-easy-v0。 - 支持环境重置、动作采样、状态步进和渲染等标准操作。
安装方式
通过 PyPi 安装
-
安装兼容 CUDA 12.8 的 PyTorch： bash pip install torch --index-url https://download.pytorch.org/whl/cu128
-
安装 FluidGym： bash pip install fluidgym
使用 Docker 容器
提供两种容器：
- 运行环境:
becktepe/fluidgym-runtime - 开发环境:
becktepe/fluidgym-devel启动命令： bash docker run -it --gpus all fluidgym-runtime bash docker run -it --gpus all fluidgym-devel bash
从源码构建
- 创建并激活 Conda 环境。
- 安装 gcc。
- 安装 PyTorch for CUDA 12.8。
- 安装匹配的 CUDA 工具包。
- 克隆仓库并执行
make install进行编译和安装。
快速开始
- 参考官方文档：https://safe-autonomous-systems.github.io/fluidgym/
- 参考
examples目录中的示例。 - 基本使用模式：
python
import fluidgym
env = fluidgym.make("JetCylinder2D-easy-v0")
obs, info = env.reset(seed=42)
... 交互循环
引用
如果使用本数据集，请引用： bibtex @misc{becktepe-fluidgym26, title={Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control}, author={Jannis Becktepe and Aleksandra Franz and Nils Thuerey and Sebastian Peitz}, year={2026}, eprint={2601.15015}, archivePrefix={arXiv}, primaryClass={cs.LG}, url={https://arxiv.org/abs/2601.15015}, note={GitHub: https://github.com/safe-autonomous-systems/fluidgym}, }
- 1Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control多特蒙德工业大学; 拉马尔机器学习与人工智能研究所; 慕尼黑工业大学 · 2026年
