如何把GR00T-WholeBodyControl移植到全新人形本体以Unitree H2为例的分步教程与文件清单【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControlGR00T-WholeBodyControl 是 NVIDIA 开源的人形机器人全身控制Whole-Body Control统一平台内置了 Isaac-Gr00t、Gr00t N1.5/N1.6 使用的 Decoupled WBC 模型以及可以跟随真人动作的 GEAR-SONIC 策略。它的训练管线默认围绕宇树 G129 自由度设计但架构上对换一台机器人非常友好——仓库甚至内置了宇树 H231 自由度的完整参考实现。本文将带你用 Unitree H2 作为示例完整走一遍移植流程从模型文件、机器人配置、关节顺序映射到动作数据与训练命令并附上一份可直接对照的文件清单。移植前先看新本体需要准备哪 4 样东西在动手之前先建立整体概念。SONIC 训练管线本质上做一件事让仿真里的人形机器人模仿一条重定向retarget到你机器人骨架上的人体动作。因此把平台移植到一台新机器人需要准备 4 类东西准备项说明常见格式 机器人模型文件仿真用 URDF/USD 动作库用 MJCF(XML).urdf.stl、.xml 重定向后的动作数据人体动作转到你机器人骨架上PKLjoblib⚙️ 机器人配置关节/刚体定义、电机参数、动作缩放Python 配置类 实验配置用 Hydra YAML 把以上全部串起来.yaml官方文档对这一过程有完整描述建议收藏new_embodiments.md。核心文件清单移植要动哪些文件这是全文最关键的一张表——按建议的处理顺序列出所有需要新增或修改的文件文件操作用途gear_sonic/data/assets/robot_description/urdf/➕ 新增新机器人的 URDF 网格文件Isaac Lab 物理仿真用gear_sonic/data/assets/robot_description/mjcf/➕ 新增MuJoCo XML动作库正向运动学用gear_sonic/envs/manager_env/robots/➕ 新增机器人配置关节、执行器、映射、动作缩放可参考 g1.py 和 h2.pygear_sonic/envs/manager_env/robots/__init__.py✏️ 修改导入你的新机器人模块gear_sonic/envs/manager_env/modular_tracking_env_cfg.py✏️ 修改把机器人加入robot_mapping字典约第 998 行gear_sonic/trl/utils/order_converter.py✏️ 修改新增关节/刚体重排序的转换器类gear_sonic/config/exp/manager/universal_token/all_modes/➕ 新增你的实验配置如sonic_h2.yamlconfig/manager_env/下的 rewards / terminations / commands 检查其中引用的刚体名称必须真实存在于你的机器人上下面按 7 个步骤逐一拆解。第一步放好机器人模型文件URDF MJCF把模型文件放进统一的资源目录gear_sonic/data/assets/robot_description/ ├── urdf/h2/ │ ├── h2.urdf │ └── meshes/ # STL/OBJ 网格文件 └── mjcf/ └── h2.xml # MuJoCo XML两个文件的分工要记牢URDF由 Isaac Lab 加载负责物理仿真MJCF由动作库加载用于对参考动作做正向运动学计算。两者必须描述同一台机器人且关节名称和运动树结构保持一致。另外建议 URDF 里的网格路径用相对路径如meshes/pelvis.stl避免package://这类绝对包路径在新环境里失效。第二步编写机器人配置文件移植中最重要的一步在 gear_sonic/envs/manager_env/robots/ 下新建robot.pyH2 的参考实现是 h2.py。它包含 4 个关键内容1️⃣ 关节/刚体名称列表与双向索引映射Isaac Lab 和 MuJoCo 遍历运动树的顺序不同你必须定义双向索引映射把两个仿真器里的关节名列表分别打印出来计算即可。H2 有 32 个刚体、31 个自由度配置中定义了H2_ISAACLAB_JOINTS名称列表和 5 组映射数组。⚠️映射写错的后果策略会收到乱序的观测、输出乱序的动作——机器人会抽搐甚至摔倒。请务必用一个已知姿势在两个仿真器里各验证一次确认重排后关节值一致。2️⃣ 电机刚度 KP / 阻尼 KD 参数SONIC 在 Isaac Lab 中使用隐式 PD 执行器。参数推导思路可直接参考 h2.py 顶部从电机手册拿到armature转子转动惯量自然频率 10 Hz 是人体机器人的好起点越大越硬、跟踪越快阻尼比 ≥ 1.0SONIC 用 2.0过阻尼更稳定按电机型号分组设置增益——H2 参考实现就按 5020 / 7520-14 / 7520-22 / 4010 四种电机分了 4 组训练不稳定机器人直接爆炸或秒倒通常是 KP/KD 不对优先减小 KP 或增大 KD。3️⃣ ArticulationCfg含初始站姿pos的 z 值要让你机器人站在地面上方略高处太低第一帧脚就会穿地joint_pos用真实机器人的默认标定站姿H2 参考实现里膝关节预弯约 -0.36 rad 以增强稳定。4️⃣ 动作缩放Action Scale按该关节力矩上限 ÷ 刚度逐关节计算。动作缩放越大策略每步输出引起的关节位移越大机器人动作过猛时把它调小。第三步注册新机器人 关节顺序转换器两处注册缺一不可在gear_sonic/envs/manager_env/robots/__init__.py中导入新模块在 modular_tracking_env_cfg.py 的robot_mapping字典中加入条目例如h2对应H2_CFG、H2_ACTION_SCALE和映射字典。这个字符串键就是实验配置里robot.type要填的值。然后在 order_converter.py 中新增一个转换器类如H2Converter继承IsaacLabMuJoCoConverter并填入上面的映射——评估与导出管线靠它做 Isaac Lab ↔ MuJoCo 的索引转换。注意用延迟导入写在__init__里避免循环依赖同时要更新 VR 追踪用刚体和足部接触刚体列表H2 为left/right_ankle_roll_link等。第四步检查刚体名称兼容性最常见的报错来源训练配置里大量引用了具体刚体名如pelvis、left_wrist_yaw_link、head_link、left_ankle_roll_link等它们必须真实存在于你的机器人上。重点检查config/manager_env/commands/terms/motion.yaml锚点刚体、VR 三点、14 个跟踪刚体config/manager_env/terminations/terms/如foot_pos_xyz.yaml引用的踝部刚体config/manager_env/rewards/terms/如anti_shake_ang_vel.yaml引用的腕部与头部刚体。名称不一致怎么办两种方式任选在实验配置里覆盖推荐——H2 没有 G1 的head_link而改用head_yaw_link官方就是在sonic_h2.yaml中覆盖body_names解决的复制出机器人专用的 term 配置变体如anti_shake_ang_vel_h2.yaml。小技巧先用num_envs1跑一次训练Isaac Lab 会明确报错告诉你哪个刚体名不存在修完再重跑逐个消灭。第五步准备重定向后的动作数据PKL训练原料是已重定向到你机器人骨架的人体动作。SONIC 期望的 PKL 格式joblib为字段形状H2 为例说明root_trans_offset(T, 3)根节点平移pose_aa(T, 32, 3)每个刚体的轴角MuJoCo 刚体顺序dof(T, 31)关节位置MuJoCo 关节顺序root_rot(T, 4)根四元数 (wxyz)fpsint帧率通常 30推荐的工作流取源数据Bones-SEED 数据集14 万条人体动作约 288 小时提供原始 BVH 和已重定向到 G1 的 CSV重定向到新骨架用 SOMA Retargeter 或 GMR 这类工具把原始人体动作重定向到你的机器人这是最耗人力的环节转换格式用仓库自带的 convert_soma_csv_to_motion_lib.py 生成 PKL再用 filter_and_copy_bones_data.py 过滤掉你的机器人物理上做不到的动作加镜像数据_M.pkl镜像变体可以让有效数据集翻倍提升对称性SMPL 数据可选但推荐有就配好同名键值没有就在配置里写smpl_motion_file: dummy管线会自动生成占位数据SMPL 编码器效果会略弱。动作目录支持递归加载例如data/h2_motions/session_01/walk_forward_001.pkl。第六步创建实验配置YAML 一把梭复制 sonic_release.yaml 为sonic_h2.yamlH2 版已内置在 all_modes/sonic_h2.yaml可直接对照重点改这几处project_name: TRL_H2_Track manager_env: config: robot: type: h2 # 必须等于 robot_mapping 的键 commands: motion: motion_lib_cfg: asset: assetFileName: h2.xml # 你的 MJCF 文件名其余需要复查的字段reward_point_body奖励计算关键刚体、vr_3point_bodyVR 遥操、以及第四步提到的刚体名覆盖项。第七步开始训练小环境验证 → 大规模训练训练入口是 gear_sonic/train_agent_trl.py标准命令python gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_h2 \ num_envs16 headlessFalse \ manager_env.commands.motion.motion_lib_cfg.motion_file你的H2动作目录建议节奏先num_envs16 headlessFalse肉眼确认机器人加载正常、参考动作播放正确一切无误后放大到num_envs4096 headlessTrue跑满。训练环境依赖 Isaac LabIsaac Lab 2.3、Python 3.11、CUDA 12.x安装方法见 installation_training.md。训练成功的样子大概就是这样——机器人实时跟随人的动作H2 移植完整清单收藏对照官方文档附带的检查清单逐项打勾即可URDF 网格 →robot_description/urdf/robot/MJCF →robot_description/mjcf/robot.xml机器人配置robot.py名称列表 ✅、双向索引映射已验证✅、分组 KP/KD/力矩 ✅、初始站姿 ✅、动作缩放 ✅robots/__init__.py已导入robot_mapping已登记order_converter.py已加转换器实验配置robot.type与assetFileName正确所有配置引用的刚体名在机器上存在num_envs1验证人体动作已重定向 → 转 PKLMuJoCo 顺序→ 过滤可行性 → 加_M镜像SMPL 数据或dummy占位小结把 GR00T-WholeBodyControl 移植到全新人形本体并不需要改核心算法——你只需要在固定的插槽里填入新机器人的模型、配置、映射和数据7 个文件改动点、1 份动作数据、1 个实验 YAML。宇树 H2 的参考实现h2.py 与 sonic_h2.yaml已经证明了这套流程的可行性照着它替换成你目标本体的参数就能把 SONIC 全身控制策略训练起来。动手之前先把本文开头的文件清单打开对照祝你顺利跑通第一台新机器人 【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何把GR00T-WholeBodyControl移植到全新人形本体？以Unitree H2为例的分步教程与文件清单
如何把GR00T-WholeBodyControl移植到全新人形本体以Unitree H2为例的分步教程与文件清单【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControlGR00T-WholeBodyControl 是 NVIDIA 开源的人形机器人全身控制Whole-Body Control统一平台内置了 Isaac-Gr00t、Gr00t N1.5/N1.6 使用的 Decoupled WBC 模型以及可以跟随真人动作的 GEAR-SONIC 策略。它的训练管线默认围绕宇树 G129 自由度设计但架构上对换一台机器人非常友好——仓库甚至内置了宇树 H231 自由度的完整参考实现。本文将带你用 Unitree H2 作为示例完整走一遍移植流程从模型文件、机器人配置、关节顺序映射到动作数据与训练命令并附上一份可直接对照的文件清单。移植前先看新本体需要准备哪 4 样东西在动手之前先建立整体概念。SONIC 训练管线本质上做一件事让仿真里的人形机器人模仿一条重定向retarget到你机器人骨架上的人体动作。因此把平台移植到一台新机器人需要准备 4 类东西准备项说明常见格式 机器人模型文件仿真用 URDF/USD 动作库用 MJCF(XML).urdf.stl、.xml 重定向后的动作数据人体动作转到你机器人骨架上PKLjoblib⚙️ 机器人配置关节/刚体定义、电机参数、动作缩放Python 配置类 实验配置用 Hydra YAML 把以上全部串起来.yaml官方文档对这一过程有完整描述建议收藏new_embodiments.md。核心文件清单移植要动哪些文件这是全文最关键的一张表——按建议的处理顺序列出所有需要新增或修改的文件文件操作用途gear_sonic/data/assets/robot_description/urdf/➕ 新增新机器人的 URDF 网格文件Isaac Lab 物理仿真用gear_sonic/data/assets/robot_description/mjcf/➕ 新增MuJoCo XML动作库正向运动学用gear_sonic/envs/manager_env/robots/➕ 新增机器人配置关节、执行器、映射、动作缩放可参考 g1.py 和 h2.pygear_sonic/envs/manager_env/robots/__init__.py✏️ 修改导入你的新机器人模块gear_sonic/envs/manager_env/modular_tracking_env_cfg.py✏️ 修改把机器人加入robot_mapping字典约第 998 行gear_sonic/trl/utils/order_converter.py✏️ 修改新增关节/刚体重排序的转换器类gear_sonic/config/exp/manager/universal_token/all_modes/➕ 新增你的实验配置如sonic_h2.yamlconfig/manager_env/下的 rewards / terminations / commands 检查其中引用的刚体名称必须真实存在于你的机器人上下面按 7 个步骤逐一拆解。第一步放好机器人模型文件URDF MJCF把模型文件放进统一的资源目录gear_sonic/data/assets/robot_description/ ├── urdf/h2/ │ ├── h2.urdf │ └── meshes/ # STL/OBJ 网格文件 └── mjcf/ └── h2.xml # MuJoCo XML两个文件的分工要记牢URDF由 Isaac Lab 加载负责物理仿真MJCF由动作库加载用于对参考动作做正向运动学计算。两者必须描述同一台机器人且关节名称和运动树结构保持一致。另外建议 URDF 里的网格路径用相对路径如meshes/pelvis.stl避免package://这类绝对包路径在新环境里失效。第二步编写机器人配置文件移植中最重要的一步在 gear_sonic/envs/manager_env/robots/ 下新建robot.pyH2 的参考实现是 h2.py。它包含 4 个关键内容1️⃣ 关节/刚体名称列表与双向索引映射Isaac Lab 和 MuJoCo 遍历运动树的顺序不同你必须定义双向索引映射把两个仿真器里的关节名列表分别打印出来计算即可。H2 有 32 个刚体、31 个自由度配置中定义了H2_ISAACLAB_JOINTS名称列表和 5 组映射数组。⚠️映射写错的后果策略会收到乱序的观测、输出乱序的动作——机器人会抽搐甚至摔倒。请务必用一个已知姿势在两个仿真器里各验证一次确认重排后关节值一致。2️⃣ 电机刚度 KP / 阻尼 KD 参数SONIC 在 Isaac Lab 中使用隐式 PD 执行器。参数推导思路可直接参考 h2.py 顶部从电机手册拿到armature转子转动惯量自然频率 10 Hz 是人体机器人的好起点越大越硬、跟踪越快阻尼比 ≥ 1.0SONIC 用 2.0过阻尼更稳定按电机型号分组设置增益——H2 参考实现就按 5020 / 7520-14 / 7520-22 / 4010 四种电机分了 4 组训练不稳定机器人直接爆炸或秒倒通常是 KP/KD 不对优先减小 KP 或增大 KD。3️⃣ ArticulationCfg含初始站姿pos的 z 值要让你机器人站在地面上方略高处太低第一帧脚就会穿地joint_pos用真实机器人的默认标定站姿H2 参考实现里膝关节预弯约 -0.36 rad 以增强稳定。4️⃣ 动作缩放Action Scale按该关节力矩上限 ÷ 刚度逐关节计算。动作缩放越大策略每步输出引起的关节位移越大机器人动作过猛时把它调小。第三步注册新机器人 关节顺序转换器两处注册缺一不可在gear_sonic/envs/manager_env/robots/__init__.py中导入新模块在 modular_tracking_env_cfg.py 的robot_mapping字典中加入条目例如h2对应H2_CFG、H2_ACTION_SCALE和映射字典。这个字符串键就是实验配置里robot.type要填的值。然后在 order_converter.py 中新增一个转换器类如H2Converter继承IsaacLabMuJoCoConverter并填入上面的映射——评估与导出管线靠它做 Isaac Lab ↔ MuJoCo 的索引转换。注意用延迟导入写在__init__里避免循环依赖同时要更新 VR 追踪用刚体和足部接触刚体列表H2 为left/right_ankle_roll_link等。第四步检查刚体名称兼容性最常见的报错来源训练配置里大量引用了具体刚体名如pelvis、left_wrist_yaw_link、head_link、left_ankle_roll_link等它们必须真实存在于你的机器人上。重点检查config/manager_env/commands/terms/motion.yaml锚点刚体、VR 三点、14 个跟踪刚体config/manager_env/terminations/terms/如foot_pos_xyz.yaml引用的踝部刚体config/manager_env/rewards/terms/如anti_shake_ang_vel.yaml引用的腕部与头部刚体。名称不一致怎么办两种方式任选在实验配置里覆盖推荐——H2 没有 G1 的head_link而改用head_yaw_link官方就是在sonic_h2.yaml中覆盖body_names解决的复制出机器人专用的 term 配置变体如anti_shake_ang_vel_h2.yaml。小技巧先用num_envs1跑一次训练Isaac Lab 会明确报错告诉你哪个刚体名不存在修完再重跑逐个消灭。第五步准备重定向后的动作数据PKL训练原料是已重定向到你机器人骨架的人体动作。SONIC 期望的 PKL 格式joblib为字段形状H2 为例说明root_trans_offset(T, 3)根节点平移pose_aa(T, 32, 3)每个刚体的轴角MuJoCo 刚体顺序dof(T, 31)关节位置MuJoCo 关节顺序root_rot(T, 4)根四元数 (wxyz)fpsint帧率通常 30推荐的工作流取源数据Bones-SEED 数据集14 万条人体动作约 288 小时提供原始 BVH 和已重定向到 G1 的 CSV重定向到新骨架用 SOMA Retargeter 或 GMR 这类工具把原始人体动作重定向到你的机器人这是最耗人力的环节转换格式用仓库自带的 convert_soma_csv_to_motion_lib.py 生成 PKL再用 filter_and_copy_bones_data.py 过滤掉你的机器人物理上做不到的动作加镜像数据_M.pkl镜像变体可以让有效数据集翻倍提升对称性SMPL 数据可选但推荐有就配好同名键值没有就在配置里写smpl_motion_file: dummy管线会自动生成占位数据SMPL 编码器效果会略弱。动作目录支持递归加载例如data/h2_motions/session_01/walk_forward_001.pkl。第六步创建实验配置YAML 一把梭复制 sonic_release.yaml 为sonic_h2.yamlH2 版已内置在 all_modes/sonic_h2.yaml可直接对照重点改这几处project_name: TRL_H2_Track manager_env: config: robot: type: h2 # 必须等于 robot_mapping 的键 commands: motion: motion_lib_cfg: asset: assetFileName: h2.xml # 你的 MJCF 文件名其余需要复查的字段reward_point_body奖励计算关键刚体、vr_3point_bodyVR 遥操、以及第四步提到的刚体名覆盖项。第七步开始训练小环境验证 → 大规模训练训练入口是 gear_sonic/train_agent_trl.py标准命令python gear_sonic/train_agent_trl.py \ expmanager/universal_token/all_modes/sonic_h2 \ num_envs16 headlessFalse \ manager_env.commands.motion.motion_lib_cfg.motion_file你的H2动作目录建议节奏先num_envs16 headlessFalse肉眼确认机器人加载正常、参考动作播放正确一切无误后放大到num_envs4096 headlessTrue跑满。训练环境依赖 Isaac LabIsaac Lab 2.3、Python 3.11、CUDA 12.x安装方法见 installation_training.md。训练成功的样子大概就是这样——机器人实时跟随人的动作H2 移植完整清单收藏对照官方文档附带的检查清单逐项打勾即可URDF 网格 →robot_description/urdf/robot/MJCF →robot_description/mjcf/robot.xml机器人配置robot.py名称列表 ✅、双向索引映射已验证✅、分组 KP/KD/力矩 ✅、初始站姿 ✅、动作缩放 ✅robots/__init__.py已导入robot_mapping已登记order_converter.py已加转换器实验配置robot.type与assetFileName正确所有配置引用的刚体名在机器上存在num_envs1验证人体动作已重定向 → 转 PKLMuJoCo 顺序→ 过滤可行性 → 加_M镜像SMPL 数据或dummy占位小结把 GR00T-WholeBodyControl 移植到全新人形本体并不需要改核心算法——你只需要在固定的插槽里填入新机器人的模型、配置、映射和数据7 个文件改动点、1 份动作数据、1 个实验 YAML。宇树 H2 的参考实现h2.py 与 sonic_h2.yaml已经证明了这套流程的可行性照着它替换成你目标本体的参数就能把 SONIC 全身控制策略训练起来。动手之前先把本文开头的文件清单打开对照祝你顺利跑通第一台新机器人 【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考