orca-locomotion 0.1.0

Standalone RSL-RL bridge package for OrcaLab and OrcaGym.

OrcaLocomotion

OrcaLocomotion 是 OrcaLab 的训练扩展组件，支持训练 Unitree 机器人的运动控制策略， 并可在 OrcaLab 中播放训练好的策略。

仿真	实机

支持的任务

任务	训练	OrcaLab 回放
Unitree-Go2-Flat	Unitree/mjlab	orca_rl.run_play
Unitree-Go2-Rough	Unitree/mjlab	orca_rl.run_play
Unitree-G1-Flat	Unitree/mjlab	orca_rl.run_play

安装

推荐使用 Ubuntu 22.04 + NVIDIA GPU 进行训练。仅在 OrcaLab 中回放策略时需要显示器。

git clone https://github.com/openverse-orca/OrcaLocomotion.git

# 编译 C++ 扩展所需的系统依赖
sudo apt install -y libyaml-cpp-dev libboost-all-dev libeigen3-dev libspdlog-dev libfmt-dev

# 创建并激活 OrcaLab Python 3.12 环境
conda create -n orcalab python=3.12
conda activate orcalab

# 进入刚下载的 OrcaLocomotion 仓库根目录
cd OrcaLocomotion
pip install --no-deps mjlab==1.2.0
pip install -r requirements.txt

OrcaLab 前置条件： 回放需要在 OrcaLab 中订阅 unitree_robots 资产。 本项目使用的 GO2 和 G1 机器人预制件均来自该资产包。

训练

使用基于 mjlab 项目进行训练。以下命令以无头模式运行 mjlab 训练器， checkpoint 写入 mjlab_rl/logs/rsl_rl/。

cd mjlab_rl
python scripts/train.py Unitree-Go2-Flat --env.scene.num-envs=4096
python scripts/train.py Unitree-Go2-Rough --env.scene.num-envs=4096
python scripts/train.py Unitree-G1-Flat --env.scene.num-envs=4096

训练产出的 checkpoint 可用于 OrcaLocomotion 回放。

回放

启动 OrcaLab 后，依次选择 运行 -> 开始模拟 -> 无仿真程序启动 -> 启动。 然后在仓库根目录运行回放命令：

python -m orca_rl.run_play --config Unitree-Go2-Flat --checkpoint <checkpoint.pt>
python -m orca_rl.run_play --config Unitree-Go2-Rough --checkpoint <checkpoint.pt>
python -m orca_rl.run_play --config Unitree-G1-Flat --checkpoint <checkpoint.pt>

使用 Unitree/mjlab 训练步骤产出的 checkpoint。

注意： Unitree-Go2-Rough 需要在 OrcaLab 中订阅地形资产。如需导入额外资产， 请 提交 issue。

资产

Unitree-Go2-Rough 在 OrcaLab scene 回放时会默认发布这个粗糙地形可视化资产：

assets/e071469a36d3c8aa/test_terrain/prefabs/terrain_usda

也可以使用另一个 5x5 地形资产：

assets/e071469a36d3c8aa/terrain_5x5/prefabs/terrain_usda

必须订阅地形渲染资产： 在 Orca 云端资产管理平台订阅 OrcaPrimitiveTerrainXml 和 MjlabRough5x5xml_20260527。 它们是两个地形高度图对应的渲染资产。

如果导入了自己的 OrcaLab 地形资产，需要在 python -m orca_rl.run_play 中通过 --rough-terrain-asset <orca_asset_path> 改成新的 spawnable asset 路径；必要时也可以用 --rough-terrain-actor <actor_name> 改发布到 scene 里的 actor 名称。

仓库中同时保留了对应的 rough 地形 XML 源文件，便于检查或重新导入资产：

资产	用途
assets/terrain/mjlab_rough_5x5_xml/terrain.xml	Go2 粗糙地形回放

致谢

训练任务和机器人资产参考 unitree_rl_mjlab 项目构建，并使用 mujocolab/mjlab 作为训练后端。 用户可自行选择基于 mjlab 的第三方扩展项目。