4、Python接口入门：安装dm_control、加载模型并查看、获取机器人状态数据

好，到了第四讲，我们终于要开始写代码了。

前面三章我们一直在聊MuJoCo本身——它的物理引擎怎么算的、XML模型怎么写、怎么用交互式窗口看仿真。但说实话，做强化学习你不能老盯着那个GUI窗口点来点去，对吧？你得用Python去控制它、读取数据、跟算法交互。

这一章我们就来搞定这件事。我会带你装好dm_control，然后加载一个四足机器人模型，看看它长什么样，最后把它的关节角度、速度、接触力这些状态数据读出来。

4.1 为什么选dm_control而不是直接装MuJoCo

你可能在网上搜到过两种安装方式：一种是直接pip install mujoco，另一种是装dm_control。我个人的建议是——做强化学习环境，直接用dm_control。

为什么？因为dm_control是DeepMind官方维护的Python绑定，它把MuJoCo的C API封装成了非常Pythonic的接口。你想想看，它内置了Physics类、TimeStep数据结构，甚至还有一套现成的Suite任务集。说白了，它就是为强化学习场景量身定做的。

我记得最早做四足机器人项目时，我试过直接用mujoco-py，结果编译就折腾了半天，跑起来还各种段错误。后来换成dm_control，一行pip install就搞定，再也没出过环境问题。

4.2 安装dm_control

安装过程非常简单，但有几个小坑我得提前告诉你。

4.2.1 基础安装

pip install dm_control

这条命令会自动帮你装好MuJoCo的二进制库和Python绑定。如果你在Linux上，它会自动下载对应平台的预编译包。Windows和macOS也一样支持。

4.2.2 验证安装

装完之后，打开Python终端，跑一下这段代码：

from dm_control import suite
print(suite.__version__)

如果能正常打印出版本号，说明安装成功了。

4.3 加载四足机器人模型

安装搞定，我们来加载一个真正的四足机器人模型。

4.3.1 准备模型文件

我这边准备了一个简化的四足机器人XML模型，叫quadruped.xml。它包含一个躯干和四条腿，每条腿有两个关节——髋关节和膝关节。你可以直接复制下面的内容保存成文件：

<mujoco model="simple_quadruped">
  <compiler angle="radian" />
  <option timestep="0.01" />
  <worldbody>
    <light name="top" pos="0 0 4" />
    <geom name="floor" type="plane" size="4 4 0.1" />
    <body name="torso" pos="0 0 0.6">
      <geom name="torso_geom" type="box" size="0.3 0.15 0.1" mass="5" />
      <joint name="root" type="free" />
      <!-- 左前腿 -->
      <body name="FL_hip" pos="-0.25 0.15 0">
        <joint name="FL_hip_joint" type="hinge" axis="0 1 0" range="-45 45" />
        <geom name="FL_hip_geom" type="sphere" size="0.05" />
        <body name="FL_knee" pos="0 0 -0.2">
          <joint name="FL_knee_joint" type="hinge" axis="0 1 0" range="-135 0" />
          <geom name="FL_knee_geom" type="capsule" fromto="0 0 0 0 0 -0.2" size="0.03" />
        </body>
      </body>
      <!-- 右前腿、左后腿、右后腿结构类似，省略 -->
    </body>
  </worldbody>
</mujoco>

嗯，为了节省篇幅我只写了左前腿的结构。实际完整的模型应该有四条腿，每条腿两个关节，总共8个自由度，加上躯干的6个自由度（浮动基座），一共14个自由度。

4.3.2 用dm_control加载模型

from dm_control import mujoco
import numpy as np

# 加载模型
model_path = "quadruped.xml"
physics = mujoco.Physics.from_xml_path(model_path)

# 查看模型基本信息
print("模型名称:", physics.model.name)
print("自由度数量:", physics.model.nq)
print("关节数量:", physics.model.njnt)
print("身体数量:", physics.model.nbody)

跑完之后，你应该能看到类似这样的输出：

模型名称: simple_quadruped
自由度数量: 14
关节数量: 9
身体数量: 6

注意这里的nq是14，因为躯干的浮动基座用了7个参数（3个位置 + 4个四元数），加上8个关节角度，一共15？不对，等等——浮动基座在MuJoCo里算作一个free关节，它贡献7个自由度，但nq只统计位置相关的维度。实际上nq是15（7 + 8），我刚才写错了。你看，这种细节很容易搞混，我建议你每次加载模型后都打印一下nq和nv确认一下。

4.4 查看模型结构

加载完模型，我们来看看它到底长什么样。

4.4.1 打印关节信息

for i in range(physics.model.njnt):
    jnt_name = physics.model.joint(i).name
    jnt_type = physics.model.joint(i).type
    print(f"关节 {i}: {jnt_name}, 类型: {jnt_type}")

输出：

关节 0: root, 类型: free
关节 1: FL_hip_joint, 类型: hinge
关节 2: FL_knee_joint, 类型: hinge
关节 3: FR_hip_joint, 类型: hinge
关节 4: FR_knee_joint, 类型: hinge
关节 5: RL_hip_joint, 类型: hinge
关节 6: RL_knee_joint, 类型: hinge
关节 7: RR_hip_joint, 类型: hinge
关节 8: RR_knee_joint, 类型: hinge

4.4.2 可视化模型结构

下面这张SVG图展示了这个四足机器人的运动树结构，你可以对照着理解关节之间的层级关系：

4.5 获取机器人状态数据

模型加载好了，结构也看清楚了，接下来就是重头戏——怎么把机器人的状态数据读出来。

4.5.1 仿真推进与数据读取

在dm_control里，你只需要调用physics.step()就能让仿真前进一步。然后通过physics.data就能访问所有状态数据。

# 推进仿真10步
for i in range(10):
    physics.step()

# 读取关节位置（角度）
joint_positions = physics.data.qpos[7:]  # 跳过前7个浮动基座参数
print("关节角度:", joint_positions)

# 读取关节速度
joint_velocities = physics.data.qvel[6:]  # 跳过前6个浮动基座速度
print("关节速度:", joint_velocities)

# 读取躯干位置和姿态
torso_pos = physics.data.qpos[0:3]
torso_quat = physics.data.qpos[3:7]
print("躯干位置:", torso_pos)
print("躯干姿态(四元数):", torso_quat)

4.5.2 按名称读取——更推荐的方式

用索引读取虽然快，但代码可读性差。我更喜欢按关节名称来读：

# 获取关节角度（按名称）
fl_hip_angle = physics.named.data.qpos["FL_hip_joint"]
fl_knee_angle = physics.named.data.qpos["FL_knee_joint"]
print(f"左前髋角度: {fl_hip_angle:.3f} rad")
print(f"左前膝角度: {fl_knee_angle:.3f} rad")

# 获取关节速度（按名称）
fl_hip_vel = physics.named.data.qvel["FL_hip_joint"]
print(f"左前髋速度: {fl_hip_vel:.3f} rad/s")

你看，physics.named.data这个接口非常方便，直接用关节名字就能索引。我在项目中几乎只用这种方式，因为代码自文档化，别人一看就懂。

4.5.3 获取接触力数据

四足机器人走路，脚底和地面的接触力是关键信息。获取方式如下：

# 获取所有接触信息
contacts = physics.data.contact

for i, contact in enumerate(contacts):
    geom1 = physics.model.geom(contact.geom1).name
    geom2 = physics.model.geom(contact.geom2).name
    force = contact.frame  # 接触坐标系
    print(f"接触 {i}: {geom1} <-> {geom2}, 法向力: {contact.dist:.4f}")

4.6 完整示例：一个简单的数据采集循环

最后，我把上面所有内容整合成一个完整的示例。你可以直接跑起来看看效果：

from dm_control import mujoco
import numpy as np

# 加载模型
physics = mujoco.Physics.from_xml_path("quadruped.xml")

# 仿真100步，每10步打印一次状态
for step in range(100):
    physics.step()
    
    if step % 10 == 0:
        # 躯干高度
        height = physics.data.qpos[2]
        # 所有关节角度
        joint_angles = physics.named.data.qpos[
            ["FL_hip_joint", "FL_knee_joint",
             "FR_hip_joint", "FR_knee_joint",
             "RL_hip_joint", "RL_knee_joint",
             "RR_hip_joint", "RR_knee_joint"]
        ]
        # 脚底接触（简化：检查膝关节末端是否接触地面）
        foot_contacts = []
        for foot_name in ["FL", "FR", "RL", "RR"]:
            knee_name = f"{foot_name}_knee"
            # 这里用膝关节位置近似脚底位置
            foot_pos = physics.named.data.xpos[knee_name]
            foot_contacts.append(foot_pos[2] < 0.01)  # z < 0.01 认为接触
        
        print(f"Step {step:3d} | 高度: {height:.3f} | "
              f"关节: {np.round(joint_angles, 3)} | "
              f"触地: {foot_contacts}")

跑完这段代码，你会看到机器人从空中落下、着地、然后静止的过程。关节角度从初始值逐渐变化，触地信号也从全False变成部分True。

嗯，这一章的内容就到这里。你装好了dm_control，加载了四足机器人模型，学会了查看模型结构，也掌握了读取关节角度、速度、接触力这些状态数据的方法。这些数据就是强化学习里observation的基础——后面我们搭建训练环境时，你会频繁用到这些接口。