企业官网建设流程全解析

# CSDN 博文：MicroDuck 强化学习机器人仿真实战学习心得

> 标签：强化学习、MuJoCo、MicroDuck、机器人仿真、ONNX、AI 机器人

## 正文

最近跟着 Datawhale every-embodied 多具身智能课程，动手复现了 MicroDuck 小鸭子机器人的篮球平衡强化学习项目，完整走完**预训练权重加载、PT 模型导出 ONNX、模型精度校验、浏览器可视化仿真**一整条链路，踩了不少坑，在这里记录下学习心得。

### 一、项目简介

MicroDuck 是一款小型双足机器人，本次复现的任务为**站在篮球上保持动态平衡**。这是一个极具挑战的连续控制任务：篮球球面会滚动，机器人必须持续调整四肢姿态维持重心。

我使用的是`blind`盲模式策略：**无视觉图像输入**，仅依靠本体感知（关节角度、角速度、姿态传感器）完成平衡控制，非常适合后续轻量化部署。

### 二、完整流程回顾

1. **环境搭建**

拉取官方 microduck_rl 源码仓库，使用 uv 管理 python 虚拟环境，一键安装全部依赖，相比传统 pip，解决了大量版本冲突问题。

2. **模型导出 PT → ONNX**

执行 export 脚本，将 PyTorch 预训练`.pt`强化学习策略导出为 ONNX 通用格式。ONNX 的优势在于跨平台推理，后续可以脱离 PyTorch，部署到本地服务端、边缘硬件。

3. **精度校验（重点）**

运行`verify_basketball_onnx_parity.py`做奇偶校验，对比原始 pt 和导出 onnx 的推理输出。本次校验最大绝对误差仅 `1.4e-6`，百万分之一级别，证明模型导出没有明显精度损失，策略行为完全一致。

>

> 这里提醒：导出后**必须校验**，否则很容易出现导出成功，但推理动作异常的隐形 bug。

4. **浏览器 Viser 可视化仿真**

使用`uv run play`启动仿真，Viser 作为网页端查看器，不需要本地桌面图形环境，云服务器 / WSL 环境也能直接打开浏览器看动画。可以实时看到小鸭子机器人在篮球上不断微调姿态，对抗球面滚动维持平衡，62FPS 流畅运行。

### 三、踩坑记录（避坑重点）

1. 一开始混淆了学习文档仓库和**真正源码仓库**：Datawhale 仓库只是学习笔记，不含可执行代码与预训练权重，必须拉取 pollen-robotics/microduck_rl 官方源码。

2. 一开始以为 export 脚本运行后能直接看到动画：`export.py`只做模型转换，**没有可视化界面**，想看仿真动画要单独执行 play 命令启动 Viser 查看器。

3. 环境变量不能省略：篮球任务必须带上`MICRODUCK_BB_BLIND=1 MICRODUCK_BB_HISTORY=1`，否则观测空间不匹配，模型直接失效。

4. 文件路径占位符问题：命令中`PATH/TO/xxx.pt`是示例占位文本，需要替换成真实权重路径，否则直接报`FileNotFoundError`。

### 四、学习感悟

1. 强化学习不只是调参训练，**模型部署、验证、可视化是同等重要的一环**。再好的策略，不能导出、不能校验、看不到仿真效果，就很难落地。

2. 盲本体感知方案很有价值：不依赖图像输入，算力开销极低，非常适合 AR 眼镜、小型嵌入式设备这类边缘端场景，也是我后续对接 Even G2 眼镜做遥操作的基础。

3. Viser 网页仿真器非常适合云端开发：不需要 GPU 桌面、远程服务器上也能直观观察机器人行为，极大降低机器人仿真上手门槛。

### 五、后续计划

1. 基于本次导出的`output.onnx`，编写独立推理服务，脱离仿真环境，单独调用策略网络输出机器人动作；

2. 尝试部署这套策略，对接 AR 眼镜 Even G2，实现机器人状态可视化、遥操作联动；

3. 后续继续复现完整投篮版本的 MicroDuck 任务，对比平衡任务策略差异。

>

> 总结：亲手跑通完整工程链路，比单纯看论文、看课件，对具身智能的理解深刻得多。

---

## 结尾

>

> 本文为个人学习记录，如有错误欢迎评论区交流讨论。项目参考：Datawhale every-embodied、pollen-robotics/microduck_rl