# 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_BLIND1 MICRODUCK_BB_HISTORY1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