01
MuJoCo初探
认识MuJoCo的核心优势，理解为何它成为四足机器人仿真的首选，并完成安装与验证，迈出仿真第一步。
安装概览
02
XML模型基础
掌握MJCF格式，拆解四足机器人的body、joint、geom结构，亲手编写第一个四足机器人XML模型。
MJCF建模
03
执行器与传感器
为机器人添加电机、接触传感器和关节位置传感器，让仿真模型具备感知与驱动能力。
actuatorsensor
04
Python接口入门
安装dm_control，加载模型并查看结构，获取机器人状态数据，开启Python与MuJoCo的交互。
dm_controlAPI
05
物理引擎交互
设置初始状态、施加外力、步进仿真与重置环境，掌握物理引擎的基本操作流程。
仿真控制步进
06
四足机器人运动学基础
理解正逆运动学，在MuJoCo中计算足端位置，实现简单的单腿摆动控制。
运动学足端
07
控制器设计
学习PD控制器原理，在Python中实现关节PD控制，让四足机器人从躺平到站立。
PD控制站立
08
步态规划入门
认识步态概念，实现Trot对角步态，调整步态参数让机器人迈出稳定步伐。
Trot步态
09
强化学习环境接口
遵循Gymnasium标准，定义Observation与Action空间，实现reset与step函数，搭建RL训练环境。
Gymnasium接口
10
奖励函数设计
设计鼓励前进、惩罚能耗与身体倾斜的奖励函数，掌握调参经验，引导策略高效学习。
奖励调参
11
终止条件与回合逻辑
定义失败条件如摔倒、关节超限，设置最大步长，实现early termination，加速训练收敛。
终止回合
12
环境配置与随机化
随机初始化关节角度、地面摩擦系数与机器人质量，增强策略的泛化能力。
随机化泛化
13
训练准备
安装Stable-Baselines3，配置PPO超参数，编写训练脚本，为高效训练做好充分准备。
SB3PPO
14
训练与监控
启动训练，使用TensorBoard监控奖励曲线，保存与加载模型，实时掌握学习动态。
TensorBoard监控
15
策略部署与测试
加载训练好的策略，在仿真中回放运动表现，录制视频，验证策略的实际效果。
部署回放
16
域随机化进阶
随机化电机强度、延迟与重力方向，进一步提升策略在真实世界的适应能力。
域随机化鲁棒性
17
仿真加速与并行
使用多进程并行环境，调整仿真时间步长，平衡速度与精度，大幅缩短训练周期。
并行加速
18
自定义地形
生成随机凹凸地形，使用height field，在复杂地形上训练机器人的适应能力。
地形height field
19
仿真与现实的差距
了解Sim-to-Real的核心挑战，分析常见差距来源，学习缩小差距的系统方法。
Sim-to-Real迁移
20
仿真器校准
校准电机模型、摩擦力与惯性参数，让仿真更贴近真实机器人硬件表现。
校准参数
21
课程学习
理解课程学习思想，设计难度递增的课程，在MuJoCo中实现动态课程切换。
课程学习渐进
22
模仿学习入门
收集PD控制器生成的专家轨迹，使用Behavioral Cloning训练策略，从示范中学习。
模仿学习BC
23
多任务学习
同时训练行走与转向，共享网络参数，调整任务权重，实现多技能融合。
多任务共享
24
仿真日志与调试
记录关节轨迹与奖励分量，利用MuJoCo UI进行可视化调试，快速定位问题。
日志调试
25
高级控制器
了解MPC原理，在MuJoCo中集成模型预测控制，探索MPC与RL结合的潜力。
MPC预测控制
26
四足机器人硬件选型
介绍常见电机类型、传感器选型与计算平台选择，为实体机器人搭建提供参考。
硬件选型
27
从仿真到实机部署
导出策略为ONNX，在嵌入式设备上运行，分享实机调试的注意事项与经验。
ONNX部署
28
常见问题与解决方案
针对仿真抖动、训练不收敛、Sim-to-Real不一致等典型问题，提供系统排查与解决思路。
排错经验
29
项目实战
从零搭建完整四足机器人行走训练流程，复现基准结果，巩固全栈技能。
实战完整流程
30
未来展望与进阶方向
探索基于视觉的导航、四足机器人操作与群体协作仿真，开启进阶研究之路。
视觉群体