训练运控策略

本教程从已下载的动作数据开始，最终得到可以在 Teleopit 仿真和真实 G1 上运行的 ONNX 运控模型。

常规训练流程默认使用 NVIDIA GPU。动作数据会在启动时全部加载到内存，因此合并数据集越大，需要的内存和显存也越多。

开始之前

train 依赖；
robots data 资源包。

检查训练包：

python -c "import train_mimic.tasks; print('training OK')"

1. 预处理已下载的数据集

下载的数据是便于分发的精简版本。训练需要另一个目录，其中提前计算好了关节速度和身体运动学信息：

python train_mimic/scripts/data/precompute_dataset.py \
    data/datasets \
    --outdir data/datasets_precomputed \
    --jobs 8

下面所有训练、回放和 benchmark 命令都使用 data/datasets_precomputed。把原始 data/datasets 直接传给训练会报错，这不是支持的快捷方式。

自定义 BVH、PKL、NPZ 或 Pico 录制数据的处理方法见动作数据集。

2. 选择机器人模型

使用 --robot_xml 指定训练所用的 MuJoCo 模型。如果省略该参数，默认使用：

assets/robots/unitree_g1/g1_29dof.xml

当前 robots 资源包提供了以下可以直接使用的示例：

模型 XML	配置
`assets/robots/unitree_g1/g1_29dof.xml`	基础 G1 模型，也是默认值
`assets/robots/unitree_g1/g1_29dof_dex3.xml`	带 Dex3 手部几何和惯性参数的 G1
`assets/robots/unitree_g1/g1_29dof_neck_o6.xml`	带颈部主动视觉和 O6 手部模型的 G1

这个表只是当前资源包随附的模型示例，不是写死的模型白名单。只要关节和刚体定义与所选训练任务配置及数据集兼容，也可以传入其他模型 XML。

下面“开始完整训练”的主命令会显式选择基础模型，便于直接复制。训练其他模型时，替换 --robot_xml 后的路径即可。其他命令不再重复该参数；回放和 benchmark 会从所选任务配置中加载机器人。

3. 先做短时间冒烟测试

开始长时间训练前，先确认数据集、仿真器和日志工具能够一起工作：

python train_mimic/scripts/train.py \
    --num_envs 64 \
    --max_iterations 100 \
    --motion_file data/datasets_precomputed

只要环境能够持续 step、终端输出 loss，并且 logs/rsl_rl/g1_general_tracking/ 下生成新的运行目录，这项检查就通过了。

4. 开始完整训练

python train_mimic/scripts/train.py \
    --robot_xml assets/robots/unitree_g1/g1_29dof.xml \
    --num_envs 4096 \
    --max_iterations 30000 \
    --motion_file data/datasets_precomputed

显存不足时降低 --num_envs。默认日志工具是 TensorBoard；需要时可使用 --logger wandb 或 --logger swanlab。

--max_iterations 表示继续训练多少次。例如从 model_12000.pt 恢复并设置 --max_iterations 18000，最终会训练到第 30000 次。

5. 在仿真中查看 checkpoint

python train_mimic/scripts/play.py \
    --checkpoint logs/rsl_rl/g1_general_tracking/<run>/model_30000.pt \
    --motion_file data/datasets_precomputed

回放会从每段动作开头开始，并关闭训练噪声。导出前先用它排除明显不稳定的模型。

6. 运行 Benchmark

python train_mimic/scripts/benchmark.py \
    --checkpoint logs/rsl_rl/g1_general_tracking/<run>/model_30000.pt \
    --motion_file data/datasets_precomputed \
    --num_envs 32

Benchmark 会对每个长度足够的 clip 执行一次确定性的 10 秒 rollout，并报告：

平均关节位置误差（MPJPE）；
根部位置、旋转和速度误差；
rollout 成功率。

结果会保存为文本摘要、JSON、逐 clip CSV 和逐 rollout CSV。

7. 导出 ONNX

python train_mimic/scripts/save_onnx.py \
    --checkpoint logs/rsl_rl/g1_general_tracking/<run>/model_30000.pt \
    --output ckpt/track_g1.onnx \
    --history_length 10

输出必须是包含 obs 和 obs_history 的双输入 TemporalCNN。Teleopit 会在启动时检查 167D 观测签名，不兼容的导出文件会直接报错。

使用正常运行入口检查导出结果：

python scripts/run/run_sim.py \
    controller.policy_path=ckpt/track_g1.onnx \
    input.bvh_file=data/sample_bvh/aiming1_subject1.bvh

扩展到多张 GPU

单机多卡：

python train_mimic/scripts/train.py \
    --gpu_ids 0 1 2 3 \
    --num_envs 1024 \
    --max_iterations 30000 \
    --motion_file data/datasets_precomputed

这里的 --num_envs 是每张 GPU 的环境数量。

多机训练使用 torchrun：

torchrun \
    --nnodes=$PET_NNODES \
    --nproc_per_node=$PET_NPROC_PER_NODE \
    --node_rank=$PET_NODE_RANK \
    --master_addr=$PET_MASTER_ADDR \
    --master_port=$PET_MASTER_PORT \
    train_mimic/scripts/train.py \
    --num_envs 1024 \
    --max_iterations 1000 \
    --motion_file data/datasets_precomputed

这里的 --num_envs 是每个进程的环境数量，总数会随 world size 增长。

常见问题

现象	检查内容
Loader 提示数据集是 minimal 格式	运行 `precompute_dataset.py`，并使用它的输出目录
显存不足	降低 `--num_envs`，或使用更少的预计算数据 shard
启动加载时内存不足	减少参与训练的 precomputed shard，或增加内存
训练速度异常缓慢	检查 PyTorch 是否识别 CUDA，并确认训练设备实际使用 CUDA GPU

任务内部结构和模型维度见系统架构。

开始之前​

1. 预处理已下载的数据集​

2. 选择机器人模型​

3. 先做短时间冒烟测试​

4. 开始完整训练​

5. 在仿真中查看 checkpoint​

6. 运行 Benchmark​

7. 导出 ONNX​

扩展到多张 GPU​

常见问题​