[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-unitreerobotics--unitree_rl_lab":3,"tool-unitreerobotics--unitree_rl_lab":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":115,"env_deps":116,"category_tags":129,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":130,"updated_at":131,"faqs":132,"releases":160},1436,"unitreerobotics\u002Funitree_rl_lab","unitree_rl_lab","This is a repository for reinforcement learning implementation for Unitree robots, based on IsaacLab.","unitree_rl_lab 是一个专为宇树（Unitree）机器人打造的强化学习开发平台，基于英伟达 Isaac Lab 构建。它旨在解决四足及人形机器人在复杂运动中控制策略难以训练和验证的难题，提供了一套标准化的仿真环境与训练流程。\n\n该工具目前完美支持宇树 Go2、H1 以及 G1-29dof 等主流机型。其核心亮点在于实现了从“仿真训练”到“物理引擎验证（Mujoco）”再到“真机部署（Sim2Real）”的全链路闭环。用户可以在高保真的 Isaac Sim 环境中高效训练运动策略，随后无缝迁移至 Mujoco 进行二次验证，最终将算法部署到实体机器人上，大幅降低了实机调试的风险与成本。此外，项目灵活支持 USD 和 URDF 两种模型格式，并提供了便捷的命令行脚本，简化了环境配置、任务列表查看、模型训练及推理演示的操作步骤。\n\nunitree_rl_lab 非常适合机器人领域的研究人员、算法工程师以及高校开发者使用。如果你希望快速复现先进的运动控制算法，或致力于探索人形与四足机器人的智能行走、奔跑等动态技能，这将是一个上手友好且功能强大的开源利器。","# Unitree RL Lab\n\n[![IsaacSim](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FIsaacSim-5.1.0-silver.svg)](https:\u002F\u002Fdocs.omniverse.nvidia.com\u002Fisaacsim\u002Flatest\u002Foverview.html)\n[![Isaac Lab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FIsaacLab-2.3.0-silver)](https:\u002F\u002Fisaac-sim.github.io\u002FIsaacLab)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache2.0-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicense\u002Fapache-2-0)\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Discord-5865F2?style=flat&logo=Discord&logoColor=white)](https:\u002F\u002Fdiscord.gg\u002FZwcVwxv5rq)\n\n\n## Overview\n\nThis project provides a set of reinforcement learning environments for Unitree robots, built on top of [IsaacLab](https:\u002F\u002Fgithub.com\u002Fisaac-sim\u002FIsaacLab).\n\nCurrently supports Unitree **Go2**, **H1** and **G1-29dof** robots.\n\n\u003Cdiv align=\"center\">\n\n| \u003Cdiv align=\"center\"> Isaac Lab \u003C\u002Fdiv> | \u003Cdiv align=\"center\">  Mujoco \u003C\u002Fdiv> |  \u003Cdiv align=\"center\"> Physical \u003C\u002Fdiv> |\n|--- | --- | --- |\n| [\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_readme_43ba61e6f644.gif\" width=\"240px\">](g1_sim.gif) | [\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_readme_cb2a2408b211.gif\" width=\"240px\">](g1_mujoco.gif) | [\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_readme_6b37becab43b.gif\" width=\"240px\">](g1_real.gif) |\n\n\u003C\u002Fdiv>\n\n## Installation\n\n- Install Isaac Lab by following the [installation guide](https:\u002F\u002Fisaac-sim.github.io\u002FIsaacLab\u002Fmain\u002Fsource\u002Fsetup\u002Finstallation\u002Findex.html).\n- Install the Unitree RL IsaacLab standalone environments.\n\n  - Clone or copy this repository separately from the Isaac Lab installation (i.e. outside the `IsaacLab` directory):\n\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_rl_lab.git\n    ```\n  - Use a python interpreter that has Isaac Lab installed, install the library in editable mode using:\n\n    ```bash\n    conda activate env_isaaclab\n    .\u002Funitree_rl_lab.sh -i\n    # restart your shell to activate the environment changes.\n    ```\n- Download unitree robot description files\n\n  *Method 1: Using USD Files*\n  - Download unitree usd files from [unitree_model](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Funitreerobotics\u002Funitree_model\u002Ftree\u002Fmain), keeping folder structure\n    ```bash\n    git clone https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Funitreerobotics\u002Funitree_model\n    ```\n  - Config `UNITREE_MODEL_DIR` in `source\u002Funitree_rl_lab\u002Funitree_rl_lab\u002Fassets\u002Frobots\u002Funitree.py`.\n\n    ```bash\n    UNITREE_MODEL_DIR = \"\u003C\u002Fhome\u002Fuser\u002Fprojects\u002Funitree_usd>\"\n    ```\n\n  *Method 2: Using URDF Files [Recommended]* Only for Isaacsim >= 5.0\n  -  Download unitree robot urdf files from [unitree_ros](https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_ros)\n      ```\n      git clone https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_ros.git\n      ```\n  - Config `UNITREE_ROS_DIR` in `source\u002Funitree_rl_lab\u002Funitree_rl_lab\u002Fassets\u002Frobots\u002Funitree.py`.\n    ```bash\n    UNITREE_ROS_DIR = \"\u003C\u002Fhome\u002Fuser\u002Fprojects\u002Funitree_ros\u002Funitree_ros>\"\n    ```\n  - [Optional]: change *robot_cfg.spawn* if you want to use urdf files\n\n\n\n- Verify that the environments are correctly installed by:\n\n  - Listing the available tasks:\n\n    ```bash\n    .\u002Funitree_rl_lab.sh -l # This is a faster version than isaaclab\n    ```\n  - Running a task:\n\n    ```bash\n    .\u002Funitree_rl_lab.sh -t --task Unitree-G1-29dof-Velocity # support for autocomplete task-name\n    # same as\n    python scripts\u002Frsl_rl\u002Ftrain.py --headless --task Unitree-G1-29dof-Velocity\n    ```\n  - Inference with a trained agent:\n\n    ```bash\n    .\u002Funitree_rl_lab.sh -p --task Unitree-G1-29dof-Velocity # support for autocomplete task-name\n    # same as\n    python scripts\u002Frsl_rl\u002Fplay.py --task Unitree-G1-29dof-Velocity\n    ```\n\n## Deploy\n\nAfter the model training is completed, we need to perform sim2sim on the trained strategy in Mujoco to test the performance of the model.\nThen deploy sim2real.\n\n### Setup\n\n```bash\n# Install dependencies\nsudo apt install -y libyaml-cpp-dev libboost-all-dev libeigen3-dev libspdlog-dev libfmt-dev\n# Install unitree_sdk2\ngit clone git@github.com:unitreerobotics\u002Funitree_sdk2.git\ncd unitree_sdk2\nmkdir build && cd build\ncmake .. -DBUILD_EXAMPLES=OFF # Install on the \u002Fusr\u002Flocal directory\nsudo make install\n# Compile the robot_controller\ncd unitree_rl_lab\u002Fdeploy\u002Frobots\u002Fg1_29dof # or other robots\nmkdir build && cd build\ncmake .. && make\n```\n\n### Sim2Sim\n\nInstalling the [unitree_mujoco](https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_mujoco?tab=readme-ov-file#installation).\n\n- Set the `robot` at `\u002Fsimulate\u002Fconfig.yaml` to g1\n- Set `domain_id` to 0\n- Set `enable_elastic_hand` to 1\n- Set `use_joystck` to 1.\n\n```bash\n# start simulation\ncd unitree_mujoco\u002Fsimulate\u002Fbuild\n.\u002Funitree_mujoco\n# .\u002Funitree_mujoco -i 0 -n eth0 -r g1 -s scene_29dof.xml # alternative\n```\n\n```bash\ncd unitree_rl_lab\u002Fdeploy\u002Frobots\u002Fg1_29dof\u002Fbuild\n.\u002Fg1_ctrl\n# 1. press [L2 + Up] to set the robot to stand up\n# 2. Click the mujoco window, and then press 8 to make the robot feet touch the ground.\n# 3. Press [R1 + X] to run the policy.\n# 4. Click the mujoco window, and then press 9 to disable the elastic band.\n```\n\n### Sim2Real\n\nYou can use this program to control the robot directly, but make sure the on-borad control program has been closed.\n\n```bash\n.\u002Fg1_ctrl --network eth0 # eth0 is the network interface name.\n```\n\n## Acknowledgements\n\nThis repository is built upon the support and contributions of the following open-source projects. Special thanks to:\n\n- [IsaacLab](https:\u002F\u002Fgithub.com\u002Fisaac-sim\u002FIsaacLab): The foundation for training and running codes.\n- [mujoco](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmujoco.git): Providing powerful simulation functionalities.\n- [robot_lab](https:\u002F\u002Fgithub.com\u002Ffan-ziqi\u002Frobot_lab): Referenced for project structure and parts of the implementation.\n- [whole_body_tracking](https:\u002F\u002Fgithub.com\u002FHybridRobotics\u002Fwhole_body_tracking): Versatile humanoid control framework for motion tracking.\n","# Unitree RL 实验室\n\n[![IsaacSim](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FIsaacSim-5.1.0-silver.svg)](https:\u002F\u002Fdocs.omniverse.nvidia.com\u002Fisaacsim\u002Flatest\u002Foverview.html)\n[![Isaac Lab](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FIsaacLab-2.3.0-silver)](https:\u002F\u002Fisaac-sim.github.io\u002FIsaacLab)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache2.0-yellow.svg)](https:\u002F\u002Fopensource.org\u002Flicense\u002Fapache-2-0)\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F-Discord-5865F2?style=flat&logo=Discord&logoColor=white)](https:\u002F\u002Fdiscord.gg\u002FZwcVwxv5rq)\n\n\n## 概述\n\n本项目为 Unitree 机器人提供了一套强化学习环境，基于 [IsaacLab](https:\u002F\u002Fgithub.com\u002Fisaac-sim\u002FIsaacLab) 构建而成。\n\n目前支持 Unitree 的 **Go2**、**H1** 以及 **G1-29dof** 机器人。\n\n\u003Cdiv align=\"center\">\n\n| \u003Cdiv align=\"center\"> Isaac Lab \u003C\u002Fdiv> | \u003Cdiv align=\"center\"> Mujoco \u003C\u002Fdiv> |  \u003Cdiv align=\"center\"> Physical \u003C\u002Fdiv> |\n|--- | --- | --- |\n| [\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_readme_43ba61e6f644.gif\" width=\"240px\">](g1_sim.gif) | [\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_readme_cb2a2408b211.gif\" width=\"240px\">](g1_mujoco.gif) | [\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_readme_6b37becab43b.gif\" width=\"240px\">](g1_real.gif) |\n\n\u003C\u002Fdiv>\n\n## 安装\n\n- 请按照 [安装指南](https:\u002F\u002Fisaac-sim.github.io\u002FIsaacLab\u002Fmain\u002Fsource\u002Fsetup\u002Finstallation\u002Findex.html) 安装 Isaac Lab。\n- 安装 Unitree RL IsaacLab 独立环境。\n\n  - 从 Isaac Lab 安装目录之外（即独立于 `IsaacLab` 目录）克隆或复制本仓库：\n\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_rl_lab.git\n    ```\n  - 使用已安装 Isaac Lab 的 Python 解释器，以可编辑模式安装库：\n\n    ```bash\n    conda activate env_isaaclab\n    .\u002Funitree_rl_lab.sh -i\n    # 重启您的 shell，以使环境变更生效。\n    ```\n  - 下载 Unitree 机器人描述文件\n\n    *方法一：使用 USD 文件*\n    - 从 [unitree_model](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Funitreerobotics\u002Funitree_model\u002Ftree\u002Fmain) 下载 Unitree USD 文件，并保持文件夹结构：\n\n      ```bash\n      git clone https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Funitreerobotics\u002Funitree_model\n      ```\n    - 在 `source\u002Funitree_rl_lab\u002Funitree_rl_lab\u002Fassets\u002Frobots\u002Funitree.py` 中配置 `UNITREE_MODEL_DIR`。\n\n      ```bash\n      UNITREE_MODEL_DIR = \"\u003C\u002Fhome\u002Fuser\u002Fprojects\u002Funitree_usd>\"\n      ```\n    - 方法二：使用 URDF 文件 [推荐]，仅适用于 IsaacSim >= 5.0\n    - 从 [unitree_ros](https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_ros) 下载 Unitree 机器人 URDF 文件：\n\n      ```bash\n      git clone https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_ros.git\n      ```\n    - 在 `source\u002Funitree_rl_lab\u002Funitree_rl_lab\u002Fassets\u002Frobots\u002Funitree.py` 中配置 `UNITREE_ROS_DIR`。\n\n      ```bash\n      UNITREE_ROS_DIR = \"\u003C\u002Fhome\u002Fuser\u002Fprojects\u002Funitree_ros\u002Funitree_ros>\"\n      ```\n    - （可选）如果您希望使用 URDF 文件，可以修改 `robot_cfg.spawn`。\n\n- 验证环境是否正确安装的方法如下：\n\n  - 列出可用任务：\n\n    ```bash\n    .\u002Funitree_rl_lab.sh -l # 这是比 isaaclab 更快的版本\n    ```\n  - 运行一个任务：\n\n    ```bash\n    .\u002Funitree_rl_lab.sh -t --task Unitree-G1-29dof-Velocity # 支持自动补全任务名称\n    # 同样可以使用\n    python scripts\u002Frsl_rl\u002Ftrain.py --headless --task Unitree-G1-29dof-Velocity\n    ```\n  - 使用训练好的智能体进行推理：\n\n    ```bash\n    .\u002Funitree_rl_lab.sh -p --task Unitree-G1-29dof-Velocity # 支持自动补全任务名称\n    # 同样可以使用\n    python scripts\u002Frsl_rl\u002Fplay.py --task Unitree-G1-29dof-Velocity\n    ```\n\n## 部署\n\n模型训练完成后，我们需要在 Mujoco 中对训练好的策略进行 sim2sim 测试，以验证模型的性能。\n随后再进行 sim2real 部署。\n\n### 设置\n\n```bash\n# 安装依赖项\nsudo apt install -y libyaml-cpp-dev libboost-all-dev libeigen3-dev libspdlog-dev libfmt-dev\n# 安装 unitree_sdk2\ngit clone git@github.com:unitreerobotics\u002Funitree_sdk2.git\ncd unitree_sdk2\nmkdir build && cd build\ncmake .. -DBUILD_EXAMPLES=OFF # 以 \u002Fusr\u002Flocal 目录进行安装\nsudo make install\n# 编译 robot_controller\ncd unitree_rl_lab\u002Fdeploy\u002Frobots\u002Fg1_29dof # 或其他机器人\nmkdir build && cd build\ncmake .. && make\n```\n\n### Sim2Sim\n\n安装 [unitree_mujoco](https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_mujoco?tab=readme-ov-file#installation)。\n\n- 将 `\u002Fsimulate\u002Fconfig.yaml` 中的 `robot` 设置为 g1\n- 将 `domain_id` 设置为 0\n- 将 `enable_elastic_hand` 设置为 1\n- 将 `use_joystck` 设置为 1。\n\n```bash\n# 启动模拟\ncd unitree_mujoco\u002Fsimulate\u002Fbuild\n.\u002Funitree_mujoco\n# .\u002Funitree_mujoco -i 0 -n eth0 -r g1 -s scene_29dof.xml # 替代方案\n```\n\n```bash\ncd unitree_rl_lab\u002Fdeploy\u002Frobots\u002Fg1_29dof\u002Fbuild\n.\u002Fg1_ctrl\n# 1. 按下 [L2 + 上键]，将机器人设置为直立状态\n# 2. 点击 Mujoco 窗口，然后按下 8 键，使机器人的脚与地面接触。\n# 3. 按下 [R1 + X]，运行策略。\n# 4. 点击 Mujoco 窗口，然后按下 9 键，禁用弹性带。\n```\n\n### Sim2Real\n\n您可以使用此程序直接控制机器人，但请确保已在板上关闭了控制程序。\n\n```bash\n.\u002Fg1_ctrl --network eth0 # eth0 是网络接口名称。\n```\n\n## 致谢\n\n本仓库的构建得到了以下开源项目的大力支持与贡献。特别感谢：\n\n- [IsaacLab](https:\u002F\u002Fgithub.com\u002Fisaac-sim\u002FIsaacLab)：作为训练和运行代码的基础。\n- [mujoco](https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fmujoco.git)：提供了强大的仿真功能。\n- [robot_lab](https:\u002F\u002Fgithub.com\u002Ffan-ziqi\u002Frobot_lab)：在项目结构及部分实现方面提供了参考。\n- [whole_body_tracking](https:\u002F\u002Fgithub.com\u002FHybridRobotics\u002Fwhole_body_tracking)：一款功能丰富的类人机器人运动追踪控制框架。","# Unitree RL Lab 快速上手指南\n\nUnitree RL Lab 是基于 Isaac Lab 构建的宇树机器人强化学习环境库，目前支持 **Go2**、**H1** 和 **G1-29dof** 机器人。本指南将帮助你快速完成环境搭建与基础运行。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Ubuntu 20.04 \u002F 22.04 (推荐)\n*   **核心框架**: \n    *   NVIDIA Isaac Sim >= 5.1.0\n    *   Isaac Lab 2.3.0\n*   **硬件要求**: 配备 NVIDIA GPU 的 workstation（建议显存 8GB 以上）\n*   **依赖工具**: Git, Conda, CMake, GCC\n\n> **注意**: 本项目依赖于 Isaac Lab，请先参照 [Isaac Lab 官方安装指南](https:\u002F\u002Fisaac-sim.github.io\u002FIsaacLab\u002Fmain\u002Fsource\u002Fsetup\u002Finstallation\u002Findex.html) 完成基础环境的安装。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n请将此仓库克隆到 **Isaac Lab 目录之外** 的独立文件夹中：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_rl_lab.git\n```\n\n### 2. 安装 Python 库\n激活已安装 Isaac Lab 的 Conda 环境，并以可编辑模式安装本库：\n\n```bash\nconda activate env_isaaclab\ncd unitree_rl_lab\n.\u002Funitree_rl_lab.sh -i\n# 安装完成后，重启终端或重新激活环境以生效\n```\n\n### 3. 下载机器人模型文件\n你需要下载宇树机器人的描述文件。推荐使用 **URDF 格式**（需 Isaac Sim >= 5.0），也可选择 USD 格式。\n\n#### 方法一：使用 URDF 文件（推荐）\n从 `unitree_ros` 仓库下载：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_ros.git\n```\n\n配置路径：打开 `source\u002Funitree_rl_lab\u002Funitree_rl_lab\u002Fassets\u002Frobots\u002Funitree.py`，设置 `UNITREE_ROS_DIR` 为你的实际路径：\n```python\nUNITREE_ROS_DIR = \"\u003C\u002Fhome\u002Fuser\u002Fprojects\u002Funitree_ros\u002Funitree_ros>\"\n```\n*(可选)* 如需强制使用 URDF，可在配置中修改 `robot_cfg.spawn`。\n\n#### 方法二：使用 USD 文件\n从 HuggingFace 下载（国内用户若访问缓慢，可尝试配置镜像或使用代理）：\n\n```bash\ngit clone https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Funitreerobotics\u002Funitree_model\n```\n\n配置路径：打开 `source\u002Funitree_rl_lab\u002Funitree_rl_lab\u002Fassets\u002Frobots\u002Funitree.py`，设置 `UNITREE_MODEL_DIR`：\n```python\nUNITREE_MODEL_DIR = \"\u003C\u002Fhome\u002Fuser\u002Fprojects\u002Funitree_usd>\"\n```\n\n### 4. 验证安装\n列出可用任务以确认安装成功：\n\n```bash\n.\u002Funitree_rl_lab.sh -l\n```\n\n## 基本使用\n\n### 训练模型\n以下命令启动 G1-29dof 机器人的速度控制任务训练（支持任务名自动补全）：\n\n```bash\n.\u002Funitree_rl_lab.sh -t --task Unitree-G1-29dof-Velocity\n# 等价于\npython scripts\u002Frsl_rl\u002Ftrain.py --headless --task Unitree-G1-29dof-Velocity\n```\n\n### 推理演示\n使用训练好的策略进行可视化演示：\n\n```bash\n.\u002Funitree_rl_lab.sh -p --task Unitree-G1-29dof-Velocity\n# 等价于\npython scripts\u002Frsl_rl\u002Fplay.py --task Unitree-G1-29dof-Velocity\n```\n\n---\n*注：若需进行真机部署（Sim2Real）或 Mujoco 仿真测试，请参考项目原文档中的 \"Deploy\" 章节配置 `unitree_sdk2` 及相关控制器编译步骤。*","某机器人实验室团队正致力于为宇树 G1 人形机器人开发复杂的动态平衡与敏捷行走算法，以应对非结构化地形的挑战。\n\n### 没有 unitree_rl_lab 时\n- **环境搭建繁琐**：研究人员需手动配置 Isaac Sim 与 Mujoco 的复杂依赖，并自行寻找或转换机器人的 URDF\u002FUSD 模型文件，耗时数天且易出错。\n- **仿真与实物脱节**：缺乏官方验证的高保真强化学习环境，导致在模拟器中训练的策略难以迁移到真机（Sim2Real），反复试错成本极高。\n- **任务定义重复造轮子**：团队需从零编写速度跟踪、地形适应等基础奖励函数和环境逻辑，分散了核心算法研究的精力。\n- **多引擎验证困难**：缺少统一的框架同时支持 Isaac Lab 训练与 Mujoco 验证，难以在部署前有效评估策略的鲁棒性。\n\n### 使用 unitree_rl_lab 后\n- **一键式环境部署**：通过简单的脚本命令即可自动安装依赖、拉取官方高精度的 G1\u002FGo2 模型文件，将环境准备时间从数天缩短至几小时。\n- **无缝 Sim2Real 流程**：直接利用内置的基于 Isaac Lab 的高保真环境和预置任务（如速度控制），训练出的策略经 Mujoco 中间验证后，可高效部署至真机。\n- **开箱即用的任务库**：直接调用官方提供的标准化强化学习任务和奖励配置，让团队能立即专注于上层策略优化而非底层代码实现。\n- **跨平台一致性验证**：天然支持\"Isaac Lab 训练 -> Mujoco 验证 -> 真机部署”的标准工作流，显著提升了算法落地的成功率和安全性。\n\nunitree_rl_lab 通过提供标准化的仿真基础设施，将机器人算法研发的重心从繁琐的工程搭建回归到了核心的智能决策创新上。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funitreerobotics_unitree_rl_lab_43ba61e6.gif","unitreerobotics","Unitree Robotics","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Funitreerobotics_7c70c060.jpg","High performance civilian robot manufacturer. Please everyone be sure to use the robot in a Friendly and Safe manner.",null,"Laikago@unitree.cc","https:\u002F\u002Fwww.unitree.com","https:\u002F\u002Fgithub.com\u002Funitreerobotics",[84,88,92,96,100,104],{"name":85,"color":86,"percentage":87},"Python","#3572A5",65.2,{"name":89,"color":90,"percentage":91},"C++","#f34b7d",31.3,{"name":93,"color":94,"percentage":95},"CMake","#DA3434",1.9,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.9,{"name":101,"color":102,"percentage":103},"C","#555555",0.5,{"name":105,"color":106,"percentage":107},"Dockerfile","#384d54",0.3,906,185,"2026-04-05T07:59:54","Apache-2.0",4,"Linux","需要 NVIDIA GPU (Isaac Sim 强制要求)，具体型号和显存未说明，需支持 Isaac Sim 5.1.0","未说明",{"notes":117,"python":118,"dependencies":119},"1. 必须首先安装 Isaac Lab 2.3.0 和 Isaac Sim 5.1.0。2. 部署阶段（Sim2Sim\u002FSim2Real）仅支持 Linux 环境，需编译 C++ 依赖库。3. 机器人模型文件需单独从 HuggingFace 或 GitHub 下载并配置路径。4. 推荐使用 URDF 文件格式（需 Isaac Sim >= 5.0）。5. 实际部署到真机前需确保板载控制程序已关闭。","需与 Isaac Lab 环境兼容的版本 (通过 conda env_isaaclab 管理)",[120,121,122,123,124,125,126,127,128],"IsaacSim 5.1.0","IsaacLab 2.3.0","libyaml-cpp-dev","libboost-all-dev","libeigen3-dev","libspdlog-dev","libfmt-dev","unitree_sdk2","unitree_mujoco",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T08:17:45.760000",[133,138,143,147,152,156],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},6572,"为什么在 Isaac Sim 中训练效果良好，但部署到 MuJoCo 或真机时机器人无法控制、发生漂移或高频抖动？","不建议使用 Python 脚本直接部署运动策略（如 h1_locomotion.py 仅作为示例）。推荐的部署方式是通过 C++ 发布命令到 ROS2 Topic。具体步骤如下：\n1. 在代码中包含必要的头文件：\u003Cunitree\u002Fidl\u002Fros2\u002Fstd_msgs\u002FString_.hpp> 和 \u003Cnlohmann\u002Fjson.hpp>。\n2. 注册观察值（REGISTER_OBSERVATION），订阅特定 topic（例如 \"rt\u002Ftopic_name\"）。\n3. 解析接收到的 JSON 数据获取速度命令向量。\n4. 在 deploy.yaml 配置文件中，将对应的观察值名称（如 velocity_commands）重命名为你的 topic 变量名。\n5. 外部程序只需以 std_msgs::string 或其他 IDL 类型向该 topic 发布命令即可。","https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_rl_lab\u002Fissues\u002F31",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},6573,"G1 机器人在切换到速度模式（Velocity Mode）后无响应，无法站立或执行速度命令，即使连接显示正常，如何解决？","此问题通常是由于配置文件缺失电机模式设置导致的。请检查并打开 config.yaml 文件，确保其中已正确添加并配置了 'Motors mode' 相关参数。保存配置后重新启动控制器即可解决机器人无响应的问题。","https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_rl_lab\u002Fissues\u002F44",{"id":144,"question_zh":145,"answer_zh":146,"source_url":137},6574,"如何在 Isaac Lab 中通过 YAML 配置文件动态传递变量（如速度命令），而不是写死数值？","Isaac Lab 支持在 YAML 配置文件中引用变量。你需要编写自定义的观察值注册函数（REGISTER_OBSERVATION），在 C++ 代码中订阅一个 ROS2 Topic（如 std_msgs::string），解析其中的 JSON 数据（包含速度命令列表），并在 deploy.yaml 中将观察值字段指向该变量名。这样，外部程序只需向该 Topic 发布数据，策略即可实时读取，无需修改 YAML 中的硬编码数值。",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},6575,"在使用 unitree_rl_lab.sh 启动训练时遇到 'KeyError: class_name' 或环境初始化失败，可能是什么原因？","这通常是由于 Isaac Sim 或 Isaac Lab 版本不兼容，或者任务配置文件中缺少必要的类定义导致的。请确认以下几点：\n1. 检查 Isaac Sim 和 Isaac Lab 的版本是否与 unitree_rl_lab 文档要求的版本一致（例如 Isaac Sim 5.1 可能需要特定的 Lab 版本）。\n2. 确保任务配置文件（yaml）中正确指定了 'class_name' 字段，且该类在代码库中已正确注册。\n3. 如果是新版仿真器，检查是否有废弃的 API 调用（如 omni.physx.fabric.plugin 警告所示），可能需要更新项目代码以适配新接口。","https:\u002F\u002Fgithub.com\u002Funitreerobotics\u002Funitree_rl_lab\u002Fissues\u002F115",{"id":153,"question_zh":154,"answer_zh":155,"source_url":137},6576,"官方提供的预训练模型（pt 文件）在真机或 MuJoCo 中表现不佳，是否应该直接使用？","官方 v0 文件夹中提供的预训练 pt 文件仅供参考或基础测试，直接在真机或不同仿真器（如 MuJoCo）中使用可能会因为域差异（Sim2Real gap）导致控制不稳定、抖动或漂移。建议不要直接依赖该文件进行真机部署。最佳实践是使用 unitree_rl_lab 在 Isaac Sim 中针对具体环境重新训练策略，并按照推荐的 C++ 部署流程进行集成，以获得更好的控制效果。",{"id":157,"question_zh":158,"answer_zh":159,"source_url":142},6577,"部署 G1 机器人时，如何正确进入调试模式并切换状态（从被动到固定站立再到速度控制）？","请严格按照以下按键顺序操作官方遥控器：\n1. 按下 L2 + R2 进入调试模式。\n2. 运行终端命令启动控制器（如 .\u002Fg1_ctrl --network [网卡名]）。\n3. 等待日志显示 'Connected to robot' 和 'FSM: Start Passive'。\n4. 按下 L2 + Up 进入固定站立模式（FixStand），此时机器人应站起并保持稳定。\n5. 最后按下 R1 + X 切换到速度控制模式（Velocity）。\n如果机器人在第 4 步无法站起或第 5 步无反应，请优先检查 config.yaml 中的电机模式配置是否正确。",[161,164,167],{"id":162,"version":163,"summary_zh":79,"released_at":79},115841,"1.0.1",{"id":165,"version":166,"summary_zh":79,"released_at":79},115842,"0.2.1",{"id":168,"version":169,"summary_zh":79,"released_at":79},115843,"0.2.0"]