wty-yy/go2_rl_lab

解决的问题

该项目提供了一个框架，用于训练和部署Unitree Go2四足机器人的高速、敏捷运动策略。它通过在Isaac Lab和MuJoCo中进行稳健的强化学习（RL）训练，然后部署到物理硬件上，弥合了仿真与现实世界性能之间的差距。

工作原理

它使用强化学习（特别是PPO和专家混合/CTS算法）在NVIDIA的Isaac Lab仿真环境中训练机器人策略。该框架支持多种物理后端，包括Newton MuJoCo-Warp和Isaac Sim的PhysX。训练完成后，策略可以导出为TorchScript或ONNX文件，用于仿真到现实（Sim2Real）部署。该项目还与RoboGauge集成，用于在训练过程中对策略性能和安全性进行异步、自动化的评估。

适用人群

适用于从事腿部运动、强化学习和Sim2Real迁移的机器人研究人员和工程师，他们需要一个结构化的环境来训练和基准测试四足机器人控制器。

亮点

• 支持高速运动（前进最高3.5米/秒，后退最高4.4米/秒）。
• 基于Isaac Lab 3.0 EA和Isaac Sim 6.1构建，支持Newton MuJoCo-Warp物理。
• 包含专家混合（MoE-CTS）训练方法，以提高在楼梯和斜坡等复杂地形上的稳健性。
• 提供统一的CLI，用于训练、回放以及Sim2Sim/Sim2Real部署。
• 与RoboGauge集成，实现自动化、异步的策略性能评估。