R3F
DÉMO PHARECircuit Racing
Train and save neural drivers, race their frozen checkpoints, or take the wheel. Two licensed 3D vehicles, three laps and shared arcade physics.
Imitation MLP · DQN · Double DQNVoir →
Lire le tutoriel →Entraînez des agents RL dans votre navigateur
IgnitionAI, c’est le ML-Agents de l’écosystème créatif JavaScript. Décrivez votre monde de jeu, appelez env.train(), et déployez partout via ONNX. Sans Python, sans serveur, sans cluster GPU.
$npm install @ignitionai/core @ignitionai/backend-tfjs @ignitionai/environments
Démarrage rapide
Entraînez votre premier agent en 7 lignes
Pas de code de réseau de neurones. Pas de réglage d’hyperparamètres. Pas de fichiers de configuration. Décrivez votre monde, appelez train(), et le framework fait le reste.
cartpole.ts
import { IgnitionEnvTFJS } from '@ignitionai/backend-tfjs';
import { CartPoleEnv } from '@ignitionai/environments';
const cartpole = new CartPoleEnv();
const env = new IgnitionEnvTFJS(cartpole);
env.train('dqn'); // Zero config. It just works.
// env.infer(); // Switch to inference after training.
// env.setSpeed(50); // Turbo training (50x faster).C’est tout. L’agent apprend. Le pendule reste en équilibre.
Conçu pour les devs JS créatifs
L’apprentissage par renforcement qui s’adapte à votre stack
Décrivez votre monde dans une classe, appelez env.train(), et regardez votre agent apprendre en temps réel. Sans Python, sans serveur, sans cluster GPU.
Tout ce qu’il faut pour shipper du RL.
Trois algorithmes, une auto-configuration, un export ONNX, du stockage HuggingFace et 10 démos fonctionnelles. 100 % TypeScript, 100 % open source.
Entraîner → ONNX → déployer partout
Entraînez dans le navigateur avec TensorFlow.js, puis exportez en ONNX et déployez dans Unity (Sentis), Unreal (NNE), Python, C++ ou sur des devices edge. Un seul pipeline, du prototype à la production.
Trois algorithmes, une seule API
DQN, PPO et Q-Learning tabulaire. Basculez en un mot : env.train('ppo'). Ne redéfinissez les hyperparamètres que lorsque vous avez besoin d’un contrôle fin.
R3F-first
Associez-le à votre scène Three.js — la boucle d’entraînement tourne indépendamment de la boucle de rendu.
Auto-configuration
Taille des entrées déduite de observe(), taille des actions depuis actions.length. Vous ne touchez jamais au code du réseau.
Accélération WebGPU
TensorFlow.js sélectionne automatiquement WebGPU → WebGL → WASM → CPU. Sans CUDA, sans installation.
Entraînement turbo
env.setSpeed(50) — convergence 50× plus rapide. Revenez à 1× pour regarder l’agent jouer.
Stockage HuggingFace
Sauvegardez et chargez des modèles entraînés depuis HF Hub en une ligne. Partagez les poids comme un dataset.
TypeScript strict
Pas de any, des configs validées par Zod, plus de 184 tests, de la CI/CD. Prêt pour la production dès le premier jour.
10 démos fonctionnelles
Circuit Racing, Maze, CartPole, MountainCar, CartPole 3D, Drone Navigation, Maze 3D, GridWorld, Ball Thrust 3D, Robot Arm 3D. Clonez, exécutez, apprenez.
Terrain de jeu interactif
Entraînez un agent dans votre navigateur
Choisissez un algorithme, lancez l’entraînement et regardez la récompense grimper en temps réel. Ceci est une simulation — ouvrez une démo en direct ci-dessous pour du vrai RL.
1x
Prêt
Cliquez sur Entraîner pour démarrer
Épisode 0
Épisode 50
Récompense 200
Démos en direct
Regardez les agents apprendre en temps réel
10 environnements interactifs qui montrent IgnitionAI en action. Chacun tourne dans votre navigateur. Circuit Racing prend en charge le jeu au clavier contre des pilotes entraînés ; Ball Thrust relie une physique Rapier réelle à un DQN entraînable et à l’inférence. Les autres environnements explorent l’apprentissage par renforcement.
R3F · Rapier
Maze
A low-poly humanoid trains in a Rapier 3D arena with prefab walls, sensor rays, doors, and moving hazards.
Q-Table · DQN · PPOVoir →
Lire le tutoriel →2D Canvas
CartPole
Classic pole-balancing benchmark with Euler physics.
DQN · PPOVoir →
Lire le tutoriel →2D Canvas
MountainCar
Sparse reward challenge. Explore the momentum needed to reach the hilltop.
DQN · PPOVoir →
Lire le tutoriel →R3F
CartPole 3D
Classic CartPole rendered in 3D with React Three Fiber. Metallic materials and shadows.
DQN · PPOVoir →
Lire le tutoriel →R3F · Physics
Drone Navigation
A quadcopter learns to fly to moving target points. Rigid-body physics, 8 thrust combos, real gravity and torque.
DQNVoir →
Lire le tutoriel →R3F
Maze 3D
A robot navigates a 3D maze to find keys, avoid traps, and reach the exit. Raycast observations, pathfinding challenge.
DQN · Q-TableVoir →
Lire le tutoriel →2D Grid
GridWorld
A discrete navigation environment for exploring rewards and learned action values.
Q-Table · DQN · PPOVoir →
Lire le tutoriel →R3F · Rapier · TF.js
Ball Thrust 3D
Play a real Rapier arena, train a TensorFlow.js DQN, save locally and run the same network in inference. Seeded physics and measured evaluation; convergence is not guaranteed.
DQN · Manual control · InferenceVoir →
Lire le tutoriel →R3F
Robot Arm 3D
A 3-joint ideal kinematic arm learns to bring its tip onto an XYZ target. Grid actions, dense distance rewards, real DQN in the browser.
DQNVoir →
Lire le tutoriel →Dernières mises à jour
Nouveautés
IgnitionAI livre vite. Voici la dernière release — tout le reste se trouve dans le changelog complet.
v0.2.0-devLanding, Docs, and Physics DemoApril 15, 2026
- Landing & sitePublic site live at [ignitionai.dev](https://ignitionai.dev)
- Landing & siteSingle Next.js deployment serving the landing, the docs, and the demos
- Landing & siteBrand: animated flame GIF logo, indigo palette, 3 custom inline SVG feature diagrams (ONNX pipeline, algorithm cards, R3F integration)
- Landing & siteFlame favicon across every page (`app/icon.svg`) and every demo
- Documentation20-page Nextra documentation site under `/docs`
Open source · licence MIT
Prêt à entraîner votre premier agent ?
Une commande d’installation, une classe TrainingEnv, un appel à env.train(). Votre agent apprend dans votre navigateur, puis se déploie partout via ONNX.