Rhoban/bam

解决的问题

BAM 通过提供更精确的伺服执行器模型，弥合了机器人学中仿真与现实之间的差距。标准仿真器如 MuJoCo 和 IsaacGym 通常使用简化的摩擦模型（库仑-粘性模型），无法捕捉 Stribeck 效应、负载依赖性以及二次效应等复杂现象，这会阻碍强化学习（RL）策略从仿真环境向真实机器人迁移。

工作原理

BAM 通过三个主要组件改进执行器仿真：

1. 识别管道：基于记录的轨迹拟合摩擦模型的系统。
2. 扩展摩擦模型：一组超越基本仿真默认值的复杂摩擦行为捕捉模型。
3. 预识别模型：包含多种 Dynamixel 和 Feetech 模型的常见伺服即用型模型库。

它提供了一个简单的 API，可将这些高级模型集成到 MuJoCo CPU 和 MuJoCo Warp 中。

适用对象

使用强化学习在仿真机器人上训练策略，并需要高保真执行器模型以确保仿真到现实成功迁移的机器人研究人员和工程师。

主要亮点

• 精确模拟复杂摩擦（Stribeck 效应、负载依赖性、二次效应）。
• 基于真实世界数据拟合模型的识别管道。
• 针对常见伺服（如 Dynamixel 和 eRob80）的预配置模型。
• 与 MuJoCo CPU 和 MuJoCo Warp 的集成。