qjworkman的博客

这是一份框架贴合宇树机器人（G1 43 关节）的硬件特性，整合了动作采集、MuJoCo 仿真、强化学习训练、动作生成与适配全流程，包含主要代码与可落地的核心逻辑，可直接基于此扩展实际项目。

机器人的舞蹈能力并非简单的动作复制，而是 “采集 - 适配 - 训练 - 优化” 的全链路技术整合。通过人类动作数据驱动、仿真环境中的强化学习、以及多模态感知的实时调整，最终实现了高精度、高稳定性的舞台表现。若需将此流程落地到你的项目中，建议优先构建标准化的动作采集与仿真训练 pipeline，并逐步引入强化学习优化策略。

【代码】BI_动作重定向_Animate + mujoco。

定位：通用强化学习环境库。作用：提供标准化的 env.reset()、env.step(action)、env.render() 等接口，使算法开发者可以无缝切换不同任务环境（如 CartPole、Atari、MuJoCo 等）。特点：完全兼容 OpenAI Gym 的 API；支持类型提示、错误检查；活跃社区维护，持续更新；支持自定义环境注册；与主流 RL 框架（如 Stable-Baselines3、RLlib、CleanRL）无缝集成。

方法：将 BVH 文件直接导入 Blender👉 所以需要后续的“映射”或“重定向”

当前人形机器人步态训练的研究已从基于模型的控制走向数据驱动 + 模型融合的新范式。2024–2025年的前沿工作（如TRO那篇）强调在线适应性、多接触处理、计算效率，而康复应用则更关注人机协同、安全性与临床有效性。

ONNX Runtime 是微软开发的跨平台高性能推理引擎，原生支持 C++ API，广泛用于生产环境（如 Windows、Linux、Android、iOS、嵌入式设备等），ONNX 本身是一个模型格式标准（即一个 protobuf 定义的文件），但围绕它有一整套 C++ 工具链。🔧 C++ 使用示例（加载 ONNX 模型并推理）📦 编译依赖。