[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nv-tlabs--ASE":3,"tool-nv-tlabs--ASE":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74939,"2026-04-05T23:16:38",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":108,"updated_at":109,"faqs":110,"releases":140},1403,"nv-tlabs\u002FASE","ASE","Adversarial skill embeddings for training reusable controllers for physically simulated characters.","ASE（对抗性技能嵌入）是一个专为物理模拟角色设计的开源框架，旨在训练高度可复用的运动控制器。它核心解决了传统方法中角色动作单一、难以灵活组合以及面对干扰容易失衡的难题。通过引入对抗性学习机制，ASE 能够从大量动作捕捉数据中提取通用的“技能嵌入”，让虚拟角色不仅学会走路、跑步、挥剑等基础动作，还能在跌倒后自动起身，甚至在遭受外力投射物撞击时保持稳健。\n\n该项目的独特之处在于其分层控制架构：先训练一个强大的底层控制器来掌握通用物理技能，再在此基础上高效训练针对特定任务（如追踪目标、打击敌人）的高层策略。这种设计大幅降低了新任务的学习成本，实现了技能的即插即用。需要注意的是，官方已标记此代码库为弃用状态，建议用户转向其继任项目 MimicKit 以获取更现代的实现，但 ASE 仍是理解大规模物理角色控制的重要参考。\n\nASE 主要适合人工智能研究人员、机器人学开发者以及游戏技术工程师使用。如果你正在探索如何让虚拟角色在复杂物理环境中表现出更自然、鲁棒的行为，或者需要构建可复用动作库的基础设施，ASE 提供的理论验证与代码实现将极具参考价值。","# Adversarial Skill Embeddings\n\n**This codebase is now deprecated.** Checkout [MimicKit](https:\u002F\u002Fgithub.com\u002Fxbpeng\u002FMimicKit\u002F) for much more up-to-date and easy-to-use implementations of our methods.\n\nCode accompanying the paper:\n\"ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters\" \\\n(https:\u002F\u002Fxbpeng.github.io\u002Fprojects\u002FASE\u002Findex.html) \\\n![Skills](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnv-tlabs_ASE_readme_df9c1fa6877b.png)\n\n\n### Installation\n\nDownload Isaac Gym from the [website](https:\u002F\u002Fdeveloper.nvidia.com\u002Fisaac-gym), then\nfollow the installation instructions.\n\nOnce Isaac Gym is installed, install the external dependencies for this repo:\n\n```\npip install -r requirements.txt\n```\n\n\n### ASE\n\n#### Pre-Training\n\nFirst, an ASE model can be trained to imitate a dataset of motions clips using the following command:\n```\npython ase\u002Frun.py --task HumanoidAMPGetup --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --headless\n```\n`--motion_file` can be used to specify a dataset of motion clips that the model should imitate. \nThe task `HumanoidAMPGetup` will train a model to imitate a dataset of motion clips and get up after falling.\nOver the course of training, the latest checkpoint `Humanoid.pth` will be regularly saved to `output\u002F`,\nalong with a Tensorboard log. `--headless` is used to disable visualizations. If you want to view the\nsimulation, simply remove this flag. To test a trained model, use the following command:\n```\npython ase\u002Frun.py --test --task HumanoidAMPGetup --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --checkpoint [path_to_ase_checkpoint]\n```\nYou can also test the robustness of the model with `--task HumanoidPerturb`, which will throw projectiles at the character.\n\n \n\n#### Task-Training\n\nAfter the ASE low-level controller has been trained, it can be used to train task-specific high-level controllers.\nThe following command will use a pre-trained ASE model to perform a target heading task:\n```\npython ase\u002Frun.py --task HumanoidHeading --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint [path_to_llc_checkpoint] --headless\n```\n`--llc_checkpoint` specifies the checkpoint to use for the low-level controller. A pre-trained ASE low-level\ncontroller is available in `ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth`.\n`--task` specifies the task that the character should perform, and `--cfg_env` specifies the environment\nconfigurations for that task. The built-in tasks and their respective config files are:\n```\nHumanoidReach: ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_reach.yaml\nHumanoidHeading: ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml\nHumanoidLocation: ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_location.yaml\nHumanoidStrike: ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_strike.yaml\n```\nTo test a trained model, use the following command:\n```\npython ase\u002Frun.py --test --task HumanoidHeading --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint [path_to_llc_checkpoint] --checkpoint [path_to_hlc_checkpoint]\n```\n\n\n \n\n \n\n#### Pre-Trained Models\n\nPre-trained models are provided in `ase\u002Fdata\u002Fmodels\u002F`. To run a pre-trained ASE low-level controller,\nuse the following command:\n```\npython ase\u002Frun.py --test --task HumanoidAMPGetup --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth\n```\n\nPre-trained models for the different tasks can be run using the following commands:\n\nHeading:\n```\npython ase\u002Frun.py --test --task HumanoidHeading --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_heading_reallusion_sword_shield.pth\n```\n\nReach:\n```\npython ase\u002Frun.py --test --task HumanoidReach --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_reach.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_reach_reallusion_sword_shield.pth\n```\n\nLocation:\n```\npython ase\u002Frun.py --test --task HumanoidLocation --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_location.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_location_reallusion_sword_shield.pth\n```\n\nStrike:\n```\npython ase\u002Frun.py --test --task HumanoidStrike --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_strike.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_strike_reallusion_sword_shield.pth\n```\n\n \n\n \n\n### AMP\n\nWe also provide an implementation of Adversarial Motion Priors (https:\u002F\u002Fxbpeng.github.io\u002Fprojects\u002FAMP\u002Findex.html).\nA model can be trained to imitate a given reference motion using the following command:\n```\npython ase\u002Frun.py --task HumanoidAMP --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy --headless\n```\nThe trained model can then be tested with:\n```\npython ase\u002Frun.py --test --task HumanoidAMP --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy --checkpoint [path_to_amp_checkpoint]\n```\n\n \n\n \n\n### Motion Data\n\nMotion clips are located in `ase\u002Fdata\u002Fmotions\u002F`. Individual motion clips are stored as `.npy` files. Motion datasets are specified by `.yaml` files, which contains a list of motion clips to be included in the dataset. Motion clips can be visualized with the following command:\n```\npython ase\u002Frun.py --test --task HumanoidViewMotion --num_envs 2 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy\n```\n`--motion_file` can be used to visualize a single motion clip `.npy` or a motion dataset `.yaml`.\n\n\nThis motion data is provided courtesy of Reallusion, strictly for noncommercial use. The original motion data is available at:\n\nhttps:\u002F\u002Factorcore.reallusion.com\u002Fmotion\u002Fpack\u002Fstudio-mocap-sword-and-shield-stunts\n\nhttps:\u002F\u002Factorcore.reallusion.com\u002Fmotion\u002Fpack\u002Fstudio-mocap-sword-and-shield-moves\n\n\nIf you want to retarget new motion clips to the character, you can take a look at an example retargeting script in `ase\u002Fposelib\u002Fretarget_motion.py`.\n","# 对抗技能嵌入\n\n**本代码库现已废弃。** 请前往 [MimicKit](https:\u002F\u002Fgithub.com\u002Fxbpeng\u002FMimicKit\u002F) 查看我们最新且更易用的算法实现版本。\n\n论文配套代码：\n“ASE：用于物理模拟角色的大规模可重用对抗技能嵌入”  \n(https:\u002F\u002Fxbpeng.github.io\u002Fprojects\u002FASE\u002Findex.html)  \n![技能](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnv-tlabs_ASE_readme_df9c1fa6877b.png)\n\n\n### 安装\n\n从 [官网](https:\u002F\u002Fdeveloper.nvidia.com\u002Fisaac-gym) 下载 Isaac Gym，然后按照安装说明进行操作。\n\n在 Isaac Gym 安装完成后，再安装本仓库所需的外部依赖：\n\n```\npip install -r requirements.txt\n```\n\n\n### ASE\n\n#### 预训练\n\n首先，可以通过以下命令训练一个 ASE 模型，以模仿一组运动片段数据集：\n```\npython ase\u002Frun.py --task HumanoidAMPGetup --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --headless\n```\n`--motion_file` 可以用来指定模型应模仿的一组运动片段数据集。\n任务 `HumanoidAMPGetup` 将训练一个模型，使其能够模仿一组运动片段，并在摔倒后成功起身。\n在训练过程中，最新的检查点文件 `Humanoid.pth` 会定期保存至 `output\u002F` 目录下，同时还会生成 TensorBoard 日志。`--headless` 参数用于禁用可视化功能。若需查看仿真过程，只需移除该标志即可。要测试已训练好的模型，可以使用以下命令：\n```\npython ase\u002Frun.py --test --task HumanoidAMPGetup --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --checkpoint [路径到 ASE 检查点]\n```\n您还可以通过 `--task HumanoidPerturb` 来测试模型的鲁棒性，该任务将向角色发射投射物。\n\n \n\n#### 任务训练\n\n在 ASE 低级控制器完成训练后，便可将其用于训练特定任务的高级控制器。以下命令将使用预训练的 ASE 模型，执行目标朝向任务：\n```\npython ase\u002Frun.py --task HumanoidHeading --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint [路径到 LLC 检查点] --headless\n```\n`--llc_checkpoint` 用于指定低级控制器所使用的检查点。预训练的 ASE 低级控制器可在 `ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth` 中找到。\n`--task` 指定角色应执行的任务，而 `--cfg_env` 则用于指定该任务对应的环境配置。内置任务及其对应的配置文件如下：\n```\nHumanoidReach：ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_reach.yaml\nHumanoidHeading：ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml\nHumanoidLocation：ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_location.yaml\nHumanoidStrike：ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_strike.yaml\n```\n要测试已训练好的模型，可以使用以下命令：\n```\npython ase\u002Frun.py --test --task HumanoidHeading --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint [路径到 LLC 检查点] --checkpoint [路径到 HLC 检查点]\n```\n\n\n \n\n \n\n#### 预训练模型\n\n预训练模型已提供于 `ase\u002Fdata\u002Fmodels\u002F` 目录中。要运行预训练的 ASE 低级控制器，可使用以下命令：\n```\npython ase\u002Frun.py --test --task HumanoidAMPGetup --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth\n```\n\n不同任务的预训练模型可通过以下命令运行：\n\n朝向任务：\n```\npython ase\u002Frun.py --test --task HumanoidHeading --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_heading_reallusion_sword_shield.pth\n```\n\n接近任务：\n```\npython ase\u002Frun.py --test --task HumanoidReach --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_reach.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_reach_reallusion_sword_shield.pth\n```\n\n位置任务：\n```\npython ase\u002Frun.py --test --task HumanoidLocation --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_location.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_location_reallusion_sword_shield.pth\n```\n\n打击任务：\n```\npython ase\u002Frun.py --test --task HumanoidStrike --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_strike.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_strike_reallusion_sword_shield.pth\n```\n\n\n \n\n \n\n### AMP\n\n我们还提供了一套对抗运动先验（Adversarial Motion Priors）的实现方案（https:\u002F\u002Fxbpeng.github.io\u002Fprojects\u002FAMP\u002Findex.html）。可以通过以下命令训练一个模型，使其能够模仿给定的参考运动：\n```\npython ase\u002Frun.py --task HumanoidAMP --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy --headless\n```\n训练好的模型随后可用于以下测试：\n```\npython ase\u002Frun.py --test --task HumanoidAMP --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy --checkpoint [路径到 AMP 检查点]\n```\n\n \n\n \n\n### 运动数据\n\n运动片段位于 `ase\u002Fdata\u002Fmotions\u002F` 目录下。单个运动片段以 `.npy` 文件形式存储。运动数据集则通过 `.yaml` 文件进行指定，该文件包含要纳入数据集的运动片段列表。可通过以下命令对运动片段进行可视化：\n```\npython ase\u002Frun.py --test --task HumanoidViewMotion --num_envs 2 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy\n```\n`--motion_file` 可用于可视化单个运动片段 `.npy` 文件，或用于可视化运动数据集 `.yaml` 文件。\n\n本运动数据由 Reallusion 提供，仅供非商业用途。原始运动数据可在此处获取：\n\nhttps:\u002F\u002Factorcore.reallusion.com\u002Fmotion\u002Fpack\u002Fstudio-mocap-sword-and-shield-stunts\n\nhttps:\u002F\u002Factorcore.reallusion.com\u002Fmotion\u002Fpack\u002Fstudio-mocap-sword-and-shield-moves\n\n如需将新运动片段重新定向至角色上，可参考 `ase\u002Fposelib\u002Fretarget_motion.py` 中的示例重定向脚本。","# ASE (Adversarial Skill Embeddings) 快速上手指南\n\n> **重要提示**：本代码库已停止维护（Deprecated）。官方推荐迁移至更新、更易用的 **[MimicKit](https:\u002F\u002Fgithub.com\u002Fxbpeng\u002FMimicKit\u002F)**。以下内容仅适用于需要复现原论文结果或维护旧项目的场景。\n\nASE 是一个用于物理模拟角色的大规模可复用对抗技能嵌入框架，基于 Isaac Gym 实现。\n\n## 1. 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 18.04\u002F20.04)\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡\n- **Python**: 3.6 - 3.8 (需与 Isaac Gym 版本兼容)\n\n### 前置依赖\n本项目强依赖 **NVIDIA Isaac Gym**。\n1. 访问 [NVIDIA Isaac Gym 官网](https:\u002F\u002Fdeveloper.nvidia.com\u002Fisaac-gym) 下载并安装。\n   - *注：国内用户若无法直接访问，请尝试通过 NVIDIA 开发者社区或相关学术资源渠道获取安装包。*\n2. 确保 Isaac Gym 能正常运行示例程序。\n\n## 2. 安装步骤\n\n安装 Isaac Gym 后，克隆本仓库并安装 Python 依赖：\n\n```bash\n# 克隆仓库 (假设已 git clone)\ncd ASE\n\n# 安装外部依赖\npip install -r requirements.txt\n```\n\n> **加速建议**：国内用户建议使用国内镜像源安装依赖，例如：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 3. 基本使用\n\nASE 的核心流程分为 **预训练 (Pre-Training)** 和 **任务训练 (Task-Training)**。最简单的方式是直接运行官方提供的**预训练模型**进行测试。\n\n### 方案 A：直接测试预训练模型 (推荐新手)\n\n以下命令将加载预训练的低层控制器 (LLC)，模拟角色在受到干扰后起身并模仿剑盾动作数据集。\n\n```bash\npython ase\u002Frun.py --test --task HumanoidAMPGetup --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth\n```\n\n*   **说明**：\n    *   `--num_envs 16`: 并行运行 16 个环境。\n    *   `--checkpoint`: 指向 `ase\u002Fdata\u002Fmodels\u002F` 下自带的预训练权重。\n    *   若需查看可视化效果，请确保**不添加** `--headless` 参数（上述命令默认开启可视化）。\n\n### 方案 B：从头开始预训练 (Pre-Training)\n\n若要训练自己的技能嵌入模型，使用以下命令。模型将学习模仿指定的动作剪辑数据集。\n\n```bash\npython ase\u002Frun.py --task HumanoidAMPGetup --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_ase_sword_shield_getup.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fase_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002Fdataset_reallusion_sword_shield.yaml --headless\n```\n\n*   **输出**：训练检查点 (`Humanoid.pth`) 和 Tensorboard 日志将保存至 `output\u002F` 目录。\n*   **可视化**：移除 `--headless` 参数即可实时观察训练过程。\n\n### 方案 C：执行特定高层任务 (Task-Training)\n\n在低层控制器训练完成后，可将其用于特定任务（如朝向控制、打击等）。以下是使用预训练 LLC 进行“朝向控制”任务的测试示例：\n\n```bash\npython ase\u002Frun.py --test --task HumanoidHeading --num_envs 16 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield_heading.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Fhrl_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Idle_Ready_Motion.npy --llc_checkpoint ase\u002Fdata\u002Fmodels\u002Fase_llc_reallusion_sword_shield.pth --checkpoint ase\u002Fdata\u002Fmodels\u002Fase_hlc_heading_reallusion_sword_shield.pth\n```\n\n*   **内置任务列表**：\n    *   `HumanoidReach`: 到达指定位置\n    *   `HumanoidHeading`: 控制朝向\n    *   `HumanoidLocation`: 定位任务\n    *   `HumanoidStrike`: 攻击\u002F打击任务\n\n### 附加功能：查看动作数据\n\n单独预览某个动作剪辑文件 (`.npy`) 或数据集 (`.yaml`)：\n\n```bash\npython ase\u002Frun.py --test --task HumanoidViewMotion --num_envs 2 --cfg_env ase\u002Fdata\u002Fcfg\u002Fhumanoid_sword_shield.yaml --cfg_train ase\u002Fdata\u002Fcfg\u002Ftrain\u002Frlg\u002Famp_humanoid.yaml --motion_file ase\u002Fdata\u002Fmotions\u002Freallusion_sword_shield\u002FRL_Avatar_Atk_2xCombo01_Motion.npy\n```","某游戏工作室的物理动画团队正在开发一款硬核动作 RPG，需要让持剑盾的角色在复杂地形中实现流畅的战斗移动与受击反应。\n\n### 没有 ASE 时\n- **动作僵硬不自然**：传统强化学习训练出的角色往往只能学会“走路”或“跑步”等基础技能，难以复现挥剑、格挡等复杂的混合动作，导致战斗画面像木偶戏。\n- **抗干扰能力极差**：角色一旦受到外力撞击或地形起伏影响，极易失去平衡摔倒，且缺乏自动起身或调整姿态的机制，破坏沉浸感。\n- **开发周期漫长**：每新增一种战斗行为（如“冲刺后重击”），都需要从头采集数据并重新训练底层控制器，重复劳动严重拖慢迭代速度。\n- **泛化性不足**：针对特定任务训练的模型无法迁移到其他场景，导致代码库中堆积了大量不可复用的独立模型文件。\n\n### 使用 ASE 后\n- **动作逼真流畅**：ASE 通过对抗式技能嵌入技术，让角色能直接从动作捕捉数据集中学习并完美复现挥剑、盾牌格挡等高难度物理模拟动作。\n- **鲁棒性显著增强**：内置的对抗训练机制使角色具备极强的抗干扰能力，即使被投射物击中或滑倒，也能利用学到的“起身”技能自动恢复战斗姿态。\n- **高效分层开发**：团队只需预训练一次通用的底层控制器（LLC），上层即可快速调用该技能库来训练“朝向目标”或“打击特定位置”等高层任务，无需重复造轮子。\n- **技能高度复用**：同一个预训练好的 ASE 模型可灵活服务于奔跑、潜行、战斗等多种任务场景，大幅降低了维护成本和存储开销。\n\nASE 将繁琐的物理角色控制转化为可复用的技能库，让开发者能像搭积木一样快速构建出既逼真又强壮的虚拟角色。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnv-tlabs_ASE_df9c1fa6.png","nv-tlabs","NVIDIA Spatial Intelligence Lab (SIL)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnv-tlabs_923b27b7.png","Our goal is to advance foundational technologies enabling AI systems to perceive, model, and meaningfully interact with the physical world.",null,"https:\u002F\u002Fresearch.nvidia.com\u002Flabs\u002Fsil\u002F","https:\u002F\u002Fgithub.com\u002Fnv-tlabs",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,1081,153,"2026-04-05T09:29:44","NOASSERTION",4,"Linux","必需 NVIDIA GPU（需支持 Isaac Gym），具体型号和显存未说明，但物理仿真通常建议 8GB+ 显存","未说明",{"notes":97,"python":95,"dependencies":98},"1. 该项目已弃用，作者推荐使用更新的 MimicKit。2. 必须手动从 NVIDIA 官网下载并安装 Isaac Gym，无法通过 pip 直接安装。3. 代码主要用于物理模拟角色的对抗技能嵌入（ASE）和对抗运动先验（AMP）训练。4. 提供的动作数据仅限非商业用途。5. 具体 Python 版本和其他依赖需查看项目中的 requirements.txt 文件，README 中未列出详细版本号。",[99,100,101,102],"Isaac Gym (NVIDIA)","torch (通过 requirements.txt 安装)","numpy (用于处理 .npy 动作文件)","pyyaml (用于解析配置和数据集)",[15,18],[105,106,107],"animation","physics-simulation","reinforcement-learning","2026-03-27T02:49:30.150509","2026-04-06T08:09:01.218878",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},6435,"测试时人形机器人在episode开始时为什么会高高跳起？","这通常是因为角色初始位置与地面有轻微穿透（ground penetration）导致的。解决方法是在初始化时给角色的高度添加一个偏移量（offset），使其稍微离开地面即可解决该问题。","https:\u002F\u002Fgithub.com\u002Fnv-tlabs\u002FASE\u002Fissues\u002F47",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},6436,"在 Ubuntu 上安装 FBX SDK 和 Python 绑定遇到困难（如 'No module named fbxsip'）怎么办？","如果编译安装复杂或报错，推荐使用更简单的方法：直接使用 Python 3.7 环境处理 FBX 数据。下载 Autodesk FBX Python SDK，将 `sip.so`, `FbxCommon.py`, `fbxsip.so` 等文件直接复制到该环境的 site-packages 目录（例如 `~\u002Fminiconda\u002Fenvs\u002Fxxx\u002Flib\u002Fpython3.7\u002Fsite-packages\u002F`）。数据处理完成后，可切换回原 Python 环境。若坚持编译安装，尝试在修改 Makefile 后运行 `sudo make` 再执行 `make install`。","https:\u002F\u002Fgithub.com\u002Fnv-tlabs\u002FASE\u002Fissues\u002F61",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},6437,"训练中断后，如何从检查点（checkpoint）恢复训练？","有两种方法：\n1. 命令行参数法（推荐）：在运行命令中添加 `--resume 1` 参数，例如：`python ase\u002Frun.py --resume 1 --task \u003C任务名> ... --checkpoint \u003C检查点路径>`。\n2. 代码修改法：在 `common_agent.py` 文件的 `train` 函数中，找到 `self.obs = self.env_reset()` 这一行，在其之前添加 `self.restore('你的检查点路径.pth')`，确保路径指向你想恢复的文件。","https:\u002F\u002Fgithub.com\u002Fnv-tlabs\u002FASE\u002Fissues\u002F38",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},6438,"Humanoid Reach\u002FLocation\u002FStrike 等下游任务训练奖励很低，无法收敛怎么办？","这通常不是预训练模型的问题，而是下游任务的奖励函数（reward functions）需要调整。建议对奖励函数进行塑形（shape the reward），增加角色向目标移动的激励权重，以引导智能体更好地学习特定行为。","https:\u002F\u002Fgithub.com\u002Fnv-tlabs\u002FASE\u002Fissues\u002F9",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},6439,"如何实现两个人形机器人互相攻击或格斗的任务？","虽然原生代码主要假设单个 Actor，但可以通过以下两种方式实现：\n1. 参考类似项目：查看 `TimeChamber` (https:\u002F\u002Fgithub.com\u002Finspirai\u002FTimeChamber)，它实现了类似的多角色交互功能。\n2. 自行实现：在每个环境中成对放置 Actor（如环境 1-2, 3-4），让它们互相交互。奖励函数设计为：击中对方获得正奖励，被击中或成功格挡（使用盾牌\u002F剑）获得相应奖励或减少负奖励，从而让智能体同时学习攻击和防御。","https:\u002F\u002Fgithub.com\u002Fnv-tlabs\u002FASE\u002Fissues\u002F35",{"id":137,"question_zh":138,"answer_zh":139,"source_url":115},6440,"使用 amp_humanoid_task.yaml 训练模仿任务时，如果角色出现异常跳跃且设置默认动作无效，可能的原因是什么？","如果跳跃仅发生在 episode 开始时，即使将动作设置为默认值（如 `[0]*28`）仍然存在，这极大概率是物理引擎初始化时的碰撞检测问题（地面穿透）。请检查并增加角色根节点（root）的初始高度偏移量，确保角色脚部完全位于地面之上再开始仿真。",[]]