- 博客(33)
- 资源 (8)
- 问答 (2)
- 收藏
- 关注
RSS订阅
原创 git clone 速度很慢 解决方法【亲测有效】
使用 代理 或 国内镜像源 可以大幅度提高克隆速度。性能配置（如并行化、压缩）可以有效提升大型仓库克隆的效率。浅克隆可以显著减少数据下载量，适合只需要最新代码的场景。通过 SSH 协议 克隆通常会比 HTTPS 更快。使用 缓存 和 优化 Git 配置 能提高 Git 的整体性能。
2024-12-10 23:37:32
9784
1
原创 MDP的recoders部分
只记录策略观测# 自定义数据路径# 只导出成功的回合self.scene.num_envs = 32 # 自定义环境数量。
2025-06-04 15:48:49
503
原创 MDP的action模块
Isaac Lab中的actions模块是机器人动作控制的核心组件，提供多种动作类型：关节控制（joint_actions）、二进制夹爪动作（binary_joint_actions）、非完整底盘控制（non_holonomic_actions）和任务空间动作（task_space_actions）。所有动作类遵循统一流程：初始化时解析关节参数并设置变换规则，处理阶段进行缩放/偏移/裁剪，最终将安全动作应用于机器人。其中JointAction基类通过仿射变换（processed_action = raw_a
2025-06-04 15:47:57
395
原创 MDP的observations部分
Isaac Lab观测系统核心模块observations.py提供了机器人状态感知的关键功能，主要包括根状态和关节状态两大类观测： 根状态观测： 坐标体系：提供世界坐标系(_w)和基座坐标系(_b)两种观测方式 关键观测项：包括高度(base_pos_z)、线速度(base_lin_vel)、角速度(base_ang_vel)、重力投影(projected_gravity)等 应用场景：导航任务优先使用世界坐标系，本体控制优先使用基座坐标系 关节状态观测： 提供关节位置(joint_pos)、速度等关键状
2025-06-03 14:34:16
476
原创 MDP中的terminations部分
强化学习中的终止条件机制 摘要：强化学习中的终止条件（terminations）是控制智能体与环境交互何时结束的核心机制。本文介绍了三类关键终止条件：1）MDP终止条件，包括超时终止（time_out）和基于命令采样的动态终止（command_resample）；2）根部终止条件，如姿态异常（bad_orientation）和高度过低（root_height_below_minimum）；3）关节终止条件，如超出关节限制（joint_pos_out_of_limit）。这些条件共同构成了强化学习任务的边界控
2025-06-03 14:33:29
296
原创 MDP的curriculums部分
这是一个基于机器人行走距离的地形难度自适应课程学习策略函数。它根据机器人在给定速度命令下实际行走的距离，自动调整训练环境中的地形难度级别。
2025-06-02 20:01:49
804
原创 MDP中的events部分
摘要（149字）： events.py是IsaacLab实现域随机化的核心模块，主要用于强化学习训练中的物理参数随机化。该文件提供随机化刚体材质物理属性（摩擦系数、恢复系数）的功能，通过创建多组随机材质并分配给几何体，提升策略泛化能力。关键类randomize_rigid_body_material支持静/动摩擦系数和恢复系数的范围采样，可确保物理约束（动摩擦≤静摩擦），并优化材质分配性能。该模块通过环境多样性模拟缩小仿真与现实差距，是Sim-to-Real转换的重要工具，同时支持地形感知和渐进式重置策略。
2025-06-02 20:00:44
680
原创 rl_sar功能包详解
rl_sar是专为机器人强化学习设计的ROS功能包，提供从仿真到实物部署的完整工具链。功能包包含C++/Python代码实现、核心算法库（RL控制框架、观测缓冲区等）、Unitree机器人SDK支持（A1/Go2等机型）以及预训练模型库。主要特性包括：1)支持Gazebo仿真与真实机器人控制；2)提供执行器网络训练工具改善sim-to-real性能；3)模块化设计包含观测处理、安全控制等核心组件。使用流程涵盖仿真启动（roslaunch）、机器人控制（C++/Python节点）和执行器网络训练三大场景，适用
2025-06-01 22:12:01
717
原创 robot_lab学习笔记【MDP综述】
本文介绍了机器人运动控制MDP模块的结构与功能。该模块包含6个核心文件：init.py（初始化）、commands.py（命令生成）、curriculums.py（课程学习）、events.py（事件处理）、observations.py（观测处理）和rewards.py（奖励函数）。模块采用三层继承架构：基础层（IsaacLab核心MDP）、中间层（运动控制MDP）和应用层（机器人实验室实现）。系统分为四大功能模块：动作系统（关节/任务空间控制）、命令系统（位姿/速度指令）、记录系统和核心处理模块（包含课
2025-06-01 17:24:39
1272
原创 Ubuntu本地文件上传github(版本控制)
摘要：本文详细介绍了如何将本地项目上传至GitHub的完整流程。从创建GitHub账号、安装配置Git开始，到初始化本地仓库、关联远程仓库，最后提交推送代码。文章包含6个主要步骤：1)准备Git环境；2)创建GitHub仓库；3)初始化本地仓库；4)关联远程仓库；5)提交代码；6)验证结果。另附常见问题处理方法，如查看/修改远程仓库地址等操作命令。所有操作均提供具体示例代码，适合Git初学者快速掌握项目上传GitHub的基本方法。
2025-05-30 21:18:00
1149
原创 ROS 2 中的 robot_state_publisher 和 joint_state_publisher 详解
ROS 2中的机器人状态管理主要由joint_state_publisher和robot_state_publisher两个组件协作完成。joint_state_publisher负责收集并发布机器人的关节状态消息，提供GUI交互式控制功能，适合演示调试；robot_state_publisher则根据URDF模型和关节状态计算坐标变换(TF)，维护整个机器人坐标系系统，为Rviz等组件提供准确的坐标数据。两者通过/joint_states消息进行通信，形成完整的状态发布流程：joint_state_pub
2025-05-30 21:16:27
459
原创 强化学习算法笔记【PPO】
PPO算法原理与实践摘要 PPO（Proximal Policy Optimization）是一种基于重要性采样的强化学习算法，通过GAE（Generalized Advantage Estimation）计算优势函数，结合策略梯度更新。其核心在于： 重要性采样：利用旧策略样本估计新策略期望，通过概率比修正偏差 GAE优势计算：综合多步TD误差，平衡偏差与方差 Clip机制：限制策略更新幅度，确保训练稳定性 代码实现包含： 连续动作空间策略网络（输出高斯分布参数） 优势函数计算（GAE） PPO更新过程：
2025-05-27 11:33:13
286
原创 CycloneDDS的使用机制
**为什么看不到 CycloneDDS 的直接使用：**抽象层设计：ROS2 通过 RMW 抽象层隐藏了底层 DDS 实现的细节插件机制：通过环境变量动态选择 DDS 实现，无需修改代码透明性：开发者使用标准的 ROS2 API，底层自动路由到相应的 DDS 实现**CycloneDDS 实际在工作：**所有的 create_publisher、create_subscription、publish 等调用最终都会通过 rmw_cyclonedds_cpp 转换为 CycloneDDS 的
2025-05-27 11:31:56
270
原创 RND（随机网络蒸馏，Random Network Distillation）
随机网络蒸馏（RND）是一种由OpenAI提出的无监督探索奖励机制，旨在解决强化学习（RL）中外部奖励稀疏或缺失的问题。RND通过预测误差驱动探索，利用一个固定的随机目标网络和一个可训练的预测网络，计算预测误差作为内在奖励，鼓励智能体探索新颖状态。RND的网络结构包括目标网络和预测网络，二者具有相同结构但参数不同。RND与PPO（近端策略优化）结合，通过内在奖励增强PPO在奖励稀疏环境下的学习能力，提高数据效率。RND在RSL-RL中的实现通过检查RND配置和计算内外奖励，影响策略更新，从而优化智能体的探索
2025-05-09 13:57:25
379
原创 RslRlOnPolicyRunnerCfg 学习
RslRlOnPolicyRunnerCfg 是用于配置基于策略（On-Policy）强化学习训练流程的类，主要包含三个核心部分：RslRlPpoActorCriticCfg、RslRlPpoAlgorithmCfg 和 RslRlOnPolicyRunnerCfg。RslRlPpoActorCriticCfg 定义了 Actor-Critic 网络的结构，包括隐藏层维度、激活函数和初始噪声标准差等。RslRlPpoAlgorithmCfg 配置了 PPO 算法的超参数，如剪切系数、熵系数、折扣因子等。Rs
2025-05-09 13:56:35
1154
原创 robot_lab中rsl_rl的replay_amp_data.py简洁解析
该脚本作为AMP训练流程的终端验证环节，将算法输出与物理仿真深度整合，为研究人员提供了直观的策略评估手段。掌握其实现细节对调试运动控制策略、优化sim-to-real迁移效果具有重要意义。这个replay_amp_data.py脚本是用于在Isaac Sim中可视化训练好的RL策略或预存运动数据的播放工具。（2）对比仿真关节位置与AMP数据。（1）添加调试代码查看足端位置。运行前设置Torch性能分析。4.2 性能调优参数。
2025-05-08 15:11:59
690
原创 robot_lab中amp_utils——retarget_kp_motions.py解析
（1）标准库： 包括 os, sys, time, inspect 等，提供文件操作、系统接口和时间处理功能。（2）第三方库： 如 numpy 用于数值计算，pyquaternion 处理四元数，pybullet 用于物理仿真，以及 pybullet_data 提供 URDF 等资源。（3）自定义模块：retarget_utils 中包含一些工具函数（例如设置机器人姿态、更新调试信息等）；
2025-05-08 15:11:03
749
原创 强化学习算法笔记【AMP】
AMP是一种无模型、基于随机政策的政策梯度算法(通过GAIL和PPO的组合进行训练)，用于基于物理的动画的反向学习。它使角色能够从大型非结构化数据集中模仿各种行为，而无需运动规划器或其他剪辑选择机制。
2025-04-23 17:40:37
506
原创 robot_lab中的rewards.py解析【下】
这段代码用于计算一个轮子（或关节）的速度惩罚，其目标是根据机器人当前是否处于运动状态，区分“运行状态”下与“静止状态”下关节速度对奖励的影响。从机器人数据中提取指定关节（由 asset_cfg.joint_ids 指定）的速度，并取绝对值，表示各关节运动速度的大小。这段代码定义了一个用于惩罚机器人基座在 z 轴方向上的线速度的函数，主要思路是使用 L2 平方惩罚（即误差的平方），这段代码的作用是 惩罚机器人底座（base）的非水平姿态，即如果机器人倾斜，奖励（实际是惩罚项）就会增加。
2025-03-20 08:00:00
713
原创 robot_lab中mdp的其他文件解析
这个 com_offsets 是一个形状为 (num_envs, num_bodies, 3) 的张量，每个刚体的 COM 由 3 个数值（x, y, z）表示。通用的随机化方法，用于根据指定的分布（uniform、log_uniform、gaussian）生成随机数，并执行指定的操作（add、scale、abs）。👉 利用均匀分布生成的速度命令，再加入阈值过滤，确保只有足够强的命令才会生效，从而避免微弱无效命令对控制策略的干扰。如果 body_ids 为空，就随机化所有刚体。
2025-03-20 08:00:00
1088
原创 robot_lab中rewards.py解析【上】
目的：该类实现了一个步态奖励项，用于强化学习中鼓励四足机器人按照期望的步态（如小跑、跳跃或并步）运动。适用范围：仅针对具有两组同步足（两对同步脚）的四足步态设计。继承：继承自 ManagerTermBase，因此它是一个奖励项管理器，能够被环境和策略调用。
2025-03-19 08:00:00
1636
原创 robot_lab中rewards.py解析【中】
reward 信号作为训练中的反馈指标，其值越高表示机器人越接近目标行为（如精确跟踪指令、稳定步态、正确足部动作、合理姿态等），而值较低或负值则提示不良的运动模式。强化学习算法会根据这些信号不断调整策略，以逐步改进机器人的控制性能。基本数据提取：获取足部时间数据：计算时间差异及奖励基准：条件判断：补充：（1）获取指令并计算模长：该部分从环境中获取名称为 command_name 的指令数据，通常是一个形状为 (batch_size, d) 的张量。接着，沿着第1维（即指令向量的各个分量）计
2025-03-19 08:00:00
1599
原创 robot_labv2.1中train.py解析
这个文件是一个用于在 Isaac Sim 模拟器中训练强化学习（RL）智能体的完整流程。添加后，可以直接通过 import cli_args 导入 /home/user/project/cli_args.py。这段代码是强化学习训练流程的核心实现，主要功能是通过 RSL-RL 算法在 Isaac Sim 仿真环境中训练智能体。args_cli: 已定义参数的命名空间（包含 --video, --num_envs 等）hydra_args: 未被当前解析器识别的剩余参数（通常是 Hydra 配置框架的参数）
2025-03-17 07:48:32
815
原创 robot_labv2.1中play.py解析
流程解析检查参数：用户通过 --checkpoint /path/to/model.pt 指定自定义模型路径。路径解析：retrieve_file_path 验证路径是否存在并补全扩展名（如自动添加 .pt）。函数假设retrieve_file_path(path) 可能：检查路径是否为绝对路径或相对路径。支持模糊匹配（如 --checkpoint 2025-03-17 匹配最近日期文件）。
2025-03-17 07:48:01
622
原创 rl_sar中的go2_description解析【下】
总体介绍在上部分介绍过了，如果看过了的同学可以跳过这个，直接到2rl_sar 中的go2_description功能包如下图所示，主要是用来导入go2机器人的相关的配置第一步可以先运行一下launch文件看看运行效果进入workspace中进行caktin build 建立完成之后运行下面指令可以看一下gazebo 和 rviz中的显示这部分其实主要都是ros的urdf基础内容，自己研读即可如果忘记了的朋友可以先回顾以下，下面是链接ros_urdf这是一个使用 Xacro（XML Macro
2025-03-09 19:43:06
519
原创 rl_sar中的go2_description解析【上】
rl_sar 中的go2_description功能包如下图所示，主要是用来导入go2机器人的相关的配置第一步可以先运行一下launch文件看看运行效果进入workspace中进行caktin build 建立完成之后运行下面指令可以看一下gazebo 和 rviz中的显示。
2025-03-09 16:56:48
1023
原创 rl_sar(devel version) 中的gazebo_go2.launch解析
wname：世界名称，默认值为 stairs。rname：机器人名称，默认值为 go2。cfg：配置文件名称，默认值为 himloco。将机器人名称、配置名称、ROS 命名空间和 Gazebo 模型名称设置为 ROS 参数。robot_path：定义机器人描述文件的路径，使用 $(find rname_description) 查找包路径。dollar：定义 $ 符号，用于后续路径拼接。这个 Launch 文件的主要功能是：启动 Gazebo 仿真环境并加载指定的世界文件。
2025-03-07 10:58:33
1180
2
原创 IsaacLab 更改关节顺序
这里的代码使用通配符来匹配机器人 USD 文件中的所有关节Instead，我们可以传入一个固定顺序的关节列表，并通过将 preserve_order 设置为 True 来设置我们期望的关节排序。在此稍作记录默认情况下，IsaacLab 使用 BFS 搜索：先找到 Articulation 数的第一层的所有关节，按照首字母顺序排序后再添加下一层的关节，以此类推举个例子，在 IsaacLab 中，宇树 A1 的关节排序如下。在 MuJoCo 中，宇树 A1 的关节排序如下。
2025-02-16 15:23:57
480
原创 ROS编译时报错Project ‘cv_bridge‘ specifies ‘/usr/include/opencv‘ as an include dir, which is not found.
我的路径如下：在/usr/include/opencv4/opencv2路径下。解决办法：在根目录下搜索OPENCV的安装路径。
2024-07-28 12:50:22
408
原创 YOLOv8基础必需运用【目标检测、分割、姿势估计、跟踪和分类任务】
YOLOv8是Ultralytics的最新版本YOLO。作为最先进的 SOTA 模型，YOLOv8 建立在以前版本成功的基础上，引入了新功能和改进，以增强性能、灵活性和效率。YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿势估计、跟踪和分类。这种多功能性使用户能够在不同的应用程序和域中利用YOLOv8的功能。模型中只需要设定不同的训练模型，就可以得到不同的检测结果。
2024-03-03 12:26:01
1814
原创 蓝桥杯入门必备——赛事详解以及参赛建议
蓝桥杯介绍：蓝桥杯全国软件和信息技术专业人才大赛，是由工业和信息化部人才交流中心举办的全国性IT学科赛事。全国1200余所高校参赛，累计参赛人数超过40万人。蓝桥杯大赛连续两年被列入中国高等教育学会发布的“全国普通高校学科竞赛排行榜”，是高校教育教学改革和创新人才培养的重要竞赛项目。对大学生综合评测，奖学金评定，升学考研都有一定助益。大赛共包括三个竞赛组别，个人赛-软件类，个人赛-电子类，以及视觉艺术大赛。其中个人赛-软件类的比赛科目包括C/C++程序设计、Java软件开发、Python程序设计。今年.
2022-01-21 01:10:59
8497
原创 反垄断重锤字节跳动，投资业务原地熄火 腾讯阿里争做“普通公司”
已经成长为中国互联网三大巨头之一的字节跳动，这次可能跳不动了。1月19日，有消息传出，近日字节跳动战略与投资部门遭遇解散，涉及员工约有百人。据了解，负责战投的赵鹏远和战投版部分员工，将放弃投资业务，并入战略业务；而财务投资板块则将彻底解散。一向热爱投资“砸钱”的大厂，如今主动切割投资部门，或许有很大一部分原因是刚下达的。最近网络上出现一则传闻：“互联网公司上市和投融资符合如下两个条件之一的：（1）互联网企业上市及投融资活动中，涉及《市场准入负面清单（2021 年版）》要求许可准入的事项；（2
2022-01-20 00:00:57
5329
gcviewer-1.36-SNAPSHOT
2022-09-16
蓝桥杯如何准备！希望广大博主留言
2022-03-11
开发小团队->鸿展科技
2021-11-03
TA创建的收藏夹 TA关注的收藏夹
TA关注的人