a.内容描述

  • 核心功能定位：
  • 该框架专注于通过仿真与真实世界物理对齐的技术，实现人形机器人全身敏捷技能的学习。其核心是通过多仿真器框架（包括IsaacGym、IsaacSim等）训练策略，并实现仿真到仿真（Sim2Sim）和仿真到现实（Sim2Real）的部署。
  • 关键应用场景：
    • 运动跟踪训练：模仿人类动作（如足球明星的标志性动作）。
    • 动作重定向：将人类动作（如SMPL格式的运动数据）适配到任意人形机器人模型。
    • 仿真到现实部署：在真实机器人上实现训练策略的迁移。

b.功能特性

  • 多仿真器支持：支持IsaacGym、IsaacSim、Genesis等多种仿真环境，实现策略的跨平台训练和迁移。
    • 动作重定向：提供完整的流程将人类动作（如AMASS数据集）适配到机器人模型。
    • Delta动作模型：通过开环和闭环训练优化动作策略，提升仿真到现实的迁移效果。
    • 模块化设计：将仿真器、任务和算法分离，便于扩展和定制。

d.使用说明

  1. 环境安装：
    • 支持通过conda/mamba创建虚拟环境，并安装IsaacGym、IsaacSim等依赖。
    • 提供详细的测试命令验证安装是否成功。
  4. 训练流程：
    • 运动跟踪训练：通过指定动作文件训练机器人模仿人类动作。
    • Delta动作模型训练：分阶段训练开环和闭环策略。
  7. 部署流程：
    • Sim2Sim：在MuJoCo等仿真器中测试策略。
    • Sim2Real：通过Unitree SDK在真实机器人上部署策略。

e.潜在新需求

  1. 需求1：用户希望提供更多预训练的动作文件（如简单行走动作），以便快速复现实验结果。
    1. 需求2：用户希望优化动作重定向流程，解决现有方法对特定机器人模型（如G1）适配效果不佳的问题。
    1. 需求3：用户希望在仿真数据收集中引入更多样化的初始化或噪声机制，以提升数据多样性。
    1. 需求4：用户希望提供更详细的领域随机化（domain randomization）配置指导，以解决训练效果不稳定的问题。

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）