本项目旨在探索具身智能（Embodied AI）与人机交互（HOI）领域，使用NVIDIA Isaac Lab作为核心仿真与训练平台。项目从基础环境搭建开始，逐步深入到强化学习运动控制，最终目标是实现复杂的人机交互任务。

我这里让AI给我设计了一个更平滑的的学习任务清单，同时结合自己的探索路线规划了任务。这个清单会结合文档的所有核心要求，并把它们安排在最符合认知规律的顺序上, 详见 任务清单。

以下是本项目的学习与开发路线图，记录了各个阶段的目标和完成情况。

• [x] 已完成
• [-] 部分完成 / 进行中
• [ ] 未开始

目标： 成功配置开发环境，熟悉Isaac Sim/Lab的基本操作，并能通过代码程序化地搭建和控制一个简单的仿真世界。

• [x] 任务 1.1: 环境与工具链安装

  • 实验记录: assets/docs/1_Installation.md
  • 简介: 记录了在不同平台（本地服务器、云平台、Windows）上安装Isaac Sim与Isaac Lab的过程，以及遇到的问题和解决方案。
  • 成果展示:

    
    Windows平台成功启动Isaac Sim

• [x] 任务 1.2: 探索仿真世界 (GUI手动操作)

  • 实验记录: assets/docs/2_Env_Create_And_Test.md
  • 简介: 通过GUI手动创建了包含平台、障碍物、斜坡的基础场景，并添加了H1机器人、光源和物理材质。
  • 成果展示:
  • [完整视频](http://101.33.245.91:6051/Work/isaaclab/images/Env_create&test/QQ202572-222923.mp4）

    
    手动搭建的场景运行测试

• [x] 任务 1.3: 脚本化你的第一个世界 (Python API 编程)

  • 实验记录: assets/docs/3_API_Motion_Control.md
  • 相关代码: src/python_api/move_unitree.py
  • 简介: 使用Isaac Lab的Python API，以编程方式创建了H1机器人环境，并实现了一个简单的PD控制器，驱动机器人完成站立动作。同时记录并可视化了关节角度和运动轨迹。
  • 成果展示:

    
    机器人运动控制及数据可视化 （./assets/docs/images/API_motion_control/Isaac Sim 4.5.0 2025-07-03 16-46-43.mp4)

目标： 理解并运行Isaac Lab的强化学习框架，让机器人在简单的环境中学会一个基本技能——走路。

• [x] 任务 2.1: 运行并理解官方行走示例

  • 实验记录: assets/docs/4_Humanoid_Direct.md
  • 简介: 成功运行了Isaac Lab官方的Isaac-Humanoid-Direct-v0任务，并深入解析了其环境配置、奖励函数和核心参数。
  • 相关代码:
    • Humanoid环境配置与实验记录&权重: src/humanoid
  • 成果展示:
  • 完整视频

    
    官方Humanoid模型行走训练80个epoch

• [x] 任务 2.2: 复现并微调宇树 H1 行走

  • 实验记录(IsaacGym): assets/docs/5_Unitree_RL_Gym.md
  • 相关代码:
    • Unitree RL Gym复现: src/unitree_rl/
  • 简介: 基于官方示例，创建了针对H1机器人的新环境，并成功训练。同时，也在经典的IsaacGym+RSL-RL框架下，复现了Unitree官方的RL训练，并将结果在MuJoCo中进行了验证。
  • 成果展示:
  • [完整视频](http://101.33.245.91:6051/Work/isaaclab/images/Unitree_rl_gym/MuJoCo%20_%20h1%20scene%202025-07-04%2000-25-12.mp4）

    
    在IsaacGym中训练，MuJoCo中验证的H1行走策略

目标： 将学习到的技能应用到更复杂的场景中

• [x] 任务 3.1: 强化学习应用迁移

  • 实验记录: assets/docs/6_New_rl_gym.md
  • 相关代码: unitree_rl_gym/ (作为子模块)
  • 简介: 基于legged_gym框架，将官方示例的H1机器人成功替换为天工X-Humanoid机器人。实验过程涵盖了：1) 深入解析URDF文件结构以确定正确的动作空间；2) 完成机器人配置文件的适配，包括关节映射、PD控制器参数（刚度与阻尼）的估算与调试；3) 针对新模型特性，对奖励函数进行细致调整以启动并稳定训练。最终，模型在Isaac Sim中成功训练，并实现了到MuJoCo环境的部署，验证了算法迁移的可行性。
  • 成果展示:
  • 完整视频

    
    成功将训练策略从 Isaac Sim 迁移至 MuJoCo，机器人展现出学习到的'螃蟹步'行走策略

• [x] 任务 3.2: 探索前沿运动生成算法 (理论与代码)

  • 实验记录: assets/docs/7_Protomotion.md
  • 相关代码: src/protomotion/ (作为子模块)
  • 简介: 成功在Windows上配置并运行了ProtoMotions和MaskedMimic的预训练模型，解决了nccl后端的兼容性问题。
  • 成果展示:
  • 完整视频

    
    成功运行MaskedMimic预训练模型

• [-] 任务 3.3: 实现一个基础 HOI 任务：推箱子

  • 实验记录: assets/docs/8_Protomotion_HOI.md
  • 相关代码:
    • 个人fork仓库： https://github.com/hasaki321/25HOI_ProtoMotions.git
    • 环境定义: src/protomotion/protomotions/envs/box/env.py
    • 配置文件: src/protomotion/protomotions/config/exp/box_mlp.yaml
  • 简介: (进行中) 基于ProtoMotions的框架，设计了一个两阶段的“推箱子”任务。目前已完成环境PushBoxEnv的代码编写和Hydra配置文件的创建，正在进行训练与调试。