具身开发者社区

外观

踩坑GitHub unitreerobotics/unitree_rl_mjlab6 个月前

unitree_rl_mjlab自定义动作训练后Deploy效果差及deploy.yaml配置不一致 ​

自定义动作策略部署失败系因deploy.yaml与训练配置中default_joint_pos和offset不一致，需通过Issue #23自动导出正确配置解决。

AI 整理
  • 本体 SDK 与控制
  • 仿真与训练
  • 端侧部署

宇树科技宇树 G1

本文由 AI 根据公开内容整理，可能有误，请以原文为准：lafan1（GitHub unitreerobotics/unitree_rl_mjlab #36）

状态：已解决

问题 ​

使用unitree_rl_mjlab训练LaFAN1数据集自定义动作（如舞蹈、跌倒站立）时，仿真Play正常但真机Deploy效果极差。根本原因是示例dance1_subject2目录下的deploy.yaml不能直接使用，其default_joint_pos和offset参数与训练代码env_cfgs.py中调用的get_g1_robot_cfg配置不一致，导致Sim-to-Real迁移失败。

环境 ​

Unitree G1机器人，unitree_rl_mjlab框架，LaFAN1数据集，涉及src/tasks/tracking/config/g1/env_cfgs.py与src/assets/robots/unitree_g1/g1_constants.py配置文件。

解决办法 ​

  1. 参考GitHub Issue #23 引入自动导出deploy.yaml的逻辑，确保部署配置文件由训练环境参数自动生成，避免手动复制导致的default_joint_pos和offset偏差。
  2. 检查训练配置env_cfgs.py中get_g1_robot_cfg返回的init_state，确认其与生成的deploy.yaml完全对齐，消除mjlab.asset_zoo.robots与g1_constants.py之间的定义差异。
  3. 忽略非训练生成的policy.onnx.data文件，直接将训练产出的policy.onnx放置于部署文件夹即可运行。
  4. 在配置对齐基础上，进一步优化奖励函数与课程学习策略以提升自定义动作的鲁棒性。

讨论原作者：@hp-boop 等，版权归原作者所有。

来源

本页事实对应的公开页面，以原文为准。

  1. GitHub unitreerobotics/unitree_rl_mjlab #36：lafan1访问 2026-10-26