Pollen Robotics联手Hugging Face发布开源双足机器人Microduck

Pollen Robotics 与 Hugging Face 联合发布了高性价比开源双足机器人 Microduck。该机器人支持基于 NVIDIA Isaac Lab 和 Newton 物理引擎的完整开发工作流：开发者可在仿真环境中训练行走策略，导出为 ONNX 格式后部署至实体机器人，并在 Hugging Face Hub 分享模型或通过 Microduck Arena 参与竞赛。

从仿真到真机：打通 Sim-to-Real 闭环

在仿真中训练的行走策略需克服真实伺服电机的摩擦、延迟及机械间隙等挑战。Isaac Lab 作为开源框架，支持在数千个 GPU 并行环境中训练策略。结合 Newton 执行器建模与域随机化技术，Microduck 实现了从仿真到现实硬件的无缝迁移。

本指南涵盖使用 Isaac Lab 和 Newton 对 Microduck 进行训练、评估及导出的全流程，旨在帮助开发者快速上手，并探索 Isaac Lab 3.0 在更高级任务中的应用潜力。

1. 环境准备与安装

仿真训练需求：配备支持 CUDA 的 NVIDIA GPU 及驱动程序的 Linux 系统。

真机部署需求：已配置的实体 Microduck 机器人、正常运行的机载软件及受控接口（如游戏手柄）。

在 Linux 系统上，通过以下命令安装 uv、克隆 Isaac Lab 并同步依赖：

curl -LsSf https://astral.sh/uv/install.sh | sh
source "$HOME/.local/bin/env"
git clone --branch develop https://github.com/isaac-sim/IsaacLab.git
cd IsaacLab
uv sync

验证 Microduck 任务及预设是否可用：

uv run isaaclab list_envs --keyword MicroDuck --show_presets

2. 解析预置训练环境

Isaac Lab 内置了 Microduck 的机器人模型、场景、观测值、动作空间、奖励函数及域随机化设置。基础任务为平地行走，粗糙地形变体则引入楼梯、斜坡和不平整地面。

策略输入包含 61 个观测值，输出 14 个关节位置。在导出和部署阶段，必须严格保持观测值顺序、归一化方式及动作缩放比例与训练时一致。

3. 基于并行仿真的加速训练

Isaac Lab 通过在 GPU 上并行运行仿真环境加速运动学习，支持跨 GPU 分布式训练。在启用粗糙地形和反向间隙（backlash）预设的配置下，使用 16 张 GPU 可实现每秒 125 万步的训练速度。

训练采用带有 MJWarp 求解器的 Newton 及 Better Actuator Models (BAM)，模拟固件控制器、电机电气限制、摩擦和延迟，将位置目标转化为真实伺服扭矩。为确保 Sim-to-Real 迁移效果，引入域随机化技术，对每只“鸭子”的质量、质心、地面摩擦、关节惯性、编码器偏移、电池电压及命令延迟进行随机化处理，并针对每个关节独立变化反向间隙以模拟不均匀磨损。

启动粗糙地形训练命令：

uv run isaaclab train \
  --rl_library rsl_rl \
  --task IsaacContrib-Velocity-Rough-MicroDuck \
  --num_envs 4096 \
  presets=backlash

若需在平地环境训练，可替换任务参数为 IsaacContrib-Velocity-Flat-MicroDuck。

4. 策略评估与 ONNX 导出

部署前需在仿真中评估策略并导出为 ONNX 格式。Isaac Lab 的 RSL-RL 回放工作流会自动生成 TorchScript (policy.pt) 和 ONNX (policy.onnx) 文件。真机部署请使用 policy.onnx。

在 Newton 可视化器中运行最新检查点：

uv run isaaclab play \
  --rl_library rsl_rl \
  --task IsaacContrib-Velocity-Rough-MicroDuck \
  --checkpoint latest \
  --num_envs 16 \
  --viz newton_gl \
  presets=backlash

导出文件将保存至 exported/ 目录。请确保机载运行时加载正确的 ONNX 文件，并保持接口参数一致。

5. 社区分享与竞赛

导出 policy.onnx 后，开发者可选择：

参与 Microduck Arena：在 Hugging Face Space 提交的共享挑战中测试策略，排行榜接受最大 64 MiB、含 61 个观测值和 14 个动作值的模型。
真机部署：参照后续步骤在实体机器人上运行。
Hugging Face Hub 分享：上传策略并附带模型卡片及训练配置，便于社区复现与交流。

6. 实体机器人部署指南

完成仿真验证后，按以下步骤将策略部署至实体 Microduck：

传输文件：将 ONNX 文件复制至机器人（替换 ROBOT_HOST 为实际 IP 或主机名）：
```
scp exported/policy.onnx microduck@ROBOT_HOST:/home/microduck/my_walking.onnx
```
连接检查：SSH 登录机器人并查看当前策略：
```
ssh microduck@ROBOT_HOST
robotctl policy list
```
加载策略：支撑机器人后加载行走策略（若已在运动，将重置姿态并继续）：
```
sudo robotctl policy load walk /home/microduck/my_walking.onnx
```
测试与监控：测试站立、行走、转向及停止功能。如需恢复默认策略：
```
robotctl monitor
sudo robotctl policy reset walk
```

实测显示，部署后的策略具备良好的鲁棒性，Microduck 在被撞倒后能自动恢复平衡并继续行走。

7. 拓展应用：复杂地形与感知任务

Isaac Lab 3.0 支持 GPU 并行的运动学习、灵巧操作及视觉任务。开发者可进一步探索：

复杂运动学习：调整粗糙地形任务，引入课程学习机制逐步增加楼梯、斜坡等地形难度。
感知与导航：结合头部摄像头深度数据与状态观测值，探索基于视觉的行走与导航任务。
灵巧操作：利用 Kuka-Allegro 示例训练机械臂和多指手的抓取与重定向能力。
自定义环境：使用项目生成器构建新任务，从 SimReady Central Library 添加资产并定制观测值与奖励函数。

结语

从 Isaac Lab 的 Microduck 任务入手，训练首个行走策略，将 ONNX 模型分享至 Hugging Face Hub 并在 Arena 中验证表现。在此基础上，开发者可尝试更复杂的地形适应、感知融合或自定义任务，持续优化机器人性能。

注：此工作流基于 Pollen Robotics 的 Microduck 软硬件、原始强化学习项目、BAM 执行器建模以及 Isaac Lab 与 Newton 的集成技术。