新闻ROS Discourse 官方社区今天
韩国高中生基于Isaac Lab训练H1与Go2行走策略竞赛
韩国NCRC非营利竞赛展示高中生利用Isaac Sim/Lab进行RL训练成果，参赛队通过调优奖励函数实现Unitree H1人形与Go2四足机器人在含楼梯、斜坡及动态车辆场景下的方块收集任务。
宇树 H1本文由 AI 根据公开内容整理，可能有误，请以原文为准：Korean high school students' Isaac Sim robot competition — just wanted to share（ROS Discourse 官方社区）
核心内容
韩国非营利机器人竞赛NCRC 2026披露了高中生团队在具身智能强化学习领域的实践进展。参赛队伍完全基于NVIDIA Isaac Sim与Isaac Lab平台，针对Unitree H1人形机器人与Unitree Go2四足机器人开展行走策略训练。决赛任务设定为在包含楼梯、斜坡及移动车辆的复杂动态竞技场中自主收集方块，验证了低龄开发者掌握Sim-to-Real RL流程的可行性，相关训练日志与比赛视频已开源。
技术路径上，各团队核心工作集中于奖励函数（Reward Function）的设计与调优，而非底层模型架构创新。尽管多数参赛者此前无强化学习背景，但依托Isaac Lab的高保真物理仿真环境，成功实现了从零基础到复杂地形运动策略生成的闭环。该案例验证了当前具身智能仿真工具链的教育普惠性与工程易用性，表明标准化RL训练框架已能有效降低人形与四足机器人运动控制算法的开发门槛。
关键看点
- 仿真平台：全流程采用Isaac Sim与Isaac Lab，未依赖ROS，验证纯仿真RL训练管线在复杂动态场景下的有效性
- 训练对象：覆盖Unitree H1人形与Go2四足两类主流具身本体，聚焦行走策略生成与奖励函数调优
- 任务场景：决赛设置楼梯、斜坡及移动车辆等复合干扰要素，考核机器人在非结构化环境中的动态适应能力
- 开发门槛：零基础高中生团队通过调参完成策略训练，体现当前具身RL工具链对初学者的工程友好度
工程与产业观察
该竞赛证实Isaac Lab等标准化仿真平台已将人形/四足机器人RL训练门槛降至K12教育水平，奖励函数工程成为入门核心技能。这对具身智能人才培养具有参考意义：成熟的Sim-to-Real工具链正加速算法民主化，产业界需关注仿真生态对初级开发者心智模型的塑造作用。
延伸选型与深度对比
基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。
来源
本页事实对应的公开页面，以原文为准。