4.6 KiB
4.6 KiB
验证、打包与训练
在仓库根目录运行命令,并激活已完成可编辑安装的环境。
检查并查看模型
python scripts/onboard.py inspect assets/smoke/smoke_biped.xml
python scripts/deploy.py --robot viewer_smoke --model assets/smoke/smoke_biped.xml --bundle out/viewer_demo
python scripts/play.py --app out/viewer_demo/viewer_smoke.app --headless --steps 20
输出目录与归档包含模型和依赖。此应用检验模型加载。
验证确定性控制
下面用固定底座的单关节仿真样例验证第 2 层级。使用新的 out/arm_demo 目录。
mkdir -p out/arm_demo
cat > out/arm_demo/arm.xml <<'XML'
<mujoco model="arm_demo">
<compiler angle="radian"/>
<option timestep="0.002" gravity="0 0 0" integrator="implicitfast"/>
<worldbody>
<body name="base">
<geom type="box" size="0.05 0.05 0.05"/>
<body name="arm" pos="0.08 0 0">
<joint name="elbow" axis="0 0 1" range="-1 1"/>
<geom type="capsule" fromto="0 0 0 0.20 0 0" size="0.02" mass="0.1"/>
</body>
</body>
</worldbody>
</mujoco>
XML
cat > out/arm_demo/setup.json <<'JSON'
{"kind": "joint_sliders", "joints": ["elbow"], "kp": 25, "kd": 3, "effort_limit": 10}
JSON
python scripts/onboard.py setup-tier2 --model out/arm_demo/arm.xml \
--config out/arm_demo/setup.json --output out/arm_demo/control
cat > out/arm_demo/control/probe.json <<'JSON'
{
"controller": "controller.json",
"controls": "controls.yaml",
"steps": 1000,
"probes": [{"command": {"elbow": 0.3}, "joint_positions": {"elbow": 0.3}}]
}
JSON
python scripts/onboard.py verify --model out/arm_demo/control/robot.xml \
--config out/arm_demo/control/probe.json --report out/arm_demo/verification.json
查看报告中的动力学和控制两个阶段。控制检查实测关节位置,并比较禁用执行器后的 结果。真实机器人应按预期范围设置目标与容差,并记录探测覆盖。
python scripts/deploy.py --robot arm_demo --model out/arm_demo/control/robot.xml \
--control out/arm_demo/control/controller.json --controls out/arm_demo/control/controls.yaml \
--verification out/arm_demo/verification.json --bundle out/arm_demo/app
python scripts/play.py --app out/arm_demo/app/arm_demo.app --headless --steps 50
在另一台机器上,解包后为独立 Python 环境安装 runtime/requirements.txt,
在解包目录运行 python runtime/controller.pyz --app . --headless --steps 50。
标定与训练足式机器人
使用只有机器人本体的浮动基座 MJCF,按硬件说明准备 命名支撑、初始姿态、高度关节与力矩上限。
python scripts/onboard.py calibrate --model assets/my_robot/robot.xml \
--config stance.json --report calibration.json
python scripts/onboard.py scaffold-tier3 --config robot.json --calibration calibration.json
python scripts/train.py --list
python scripts/train.py --task my_robot --dry-run
python scripts/train.py --task my_robot --backend native --device cpu --num_envs 4 \
--max-iterations 1 --headless --no-tensorboard
把示例 ID 换成实际 ID。脚手架配置提供 ID、形态、模型路径和动作尺度。 一次更新用来检查执行链路。正式训练按后端和内存选择规模,观察跟踪奖励、 回合长度、终止原因和课程进度。
在检查点的训练范围内选择命令,以米每秒、米每秒、弧度每秒为单位。
python scripts/play.py --task my_robot --checkpoint <model_N.pt> --headless \
--steps 500 --speed 0 --measure --command <vx> <vy> <yaw_rate> \
--evaluation-out evaluation.json
报告检查点、后端、环境数、迭代数、命令、观测噪声、仿真时长、跟踪误差与重置。仅当评测包含与无噪声回放的对比时,才额外使用干净观测回放进行比较。
导出到原生仿真
python scripts/export.py --task my_robot --checkpoint <model_N.pt> \
--native-layout --out out/native_policy
导出包含策略、布局、回放模型和控制器。腿部位置与轮速混合目标使用原生布局。
准备探测 JSON,指定导出的 controller.json、可选 controls.yaml
及预期原生响应。打包前验证导出的模型。
python scripts/onboard.py verify --model out/native_policy/robot.xml \
--config out/native_policy/probe.json --report out/native_policy/verification.json