企业官网建设流程全解析

unitree_rl_gym 环境搭建完整指南：从 Conda 虚拟环境到 Isaac Gym、rsl_rl 与实物部署依赖的安装配置

【免费下载链接】unitree_rl_gym项目地址: https://gitcode.com/GitHub_Trending/un/unitree_rl_gym

本指南以仓库 doc/setup_zh.md 为骨架，系统讲解在 Ubuntu + Nvidia GPU 环境下搭建 Unitree 机器人强化学习训练与部署环境的全过程，涵盖 MiniConda 虚拟环境创建、PyTorch / Isaac Gym / rsl_rl / unitree_rl_gym / unitree_sdk2py 五个组件的安装与验证。读完本文，你将拥有一套可运行legged_gym/scripts/train.py训练、play.py回放以及 Mujoco / 实物部署的完整环境，并理解每个依赖在仓库中的具体作用与源码层面的调用关系。

一、环境要求与依赖全景

在动手安装之前，先明确本仓库对运行环境的最低要求（与 doc/setup_zh.md 一致）：

• 操作系统：推荐 Ubuntu 18.04 或更高版本；
• 显卡：Nvidia 显卡（Isaac Gym 的 GPU 加速仿真与 PyTorch 的 CUDA 训练都强依赖 Nvidia 硬件）；
• 驱动版本：建议使用 525 或更高版本的 Nvidia 驱动，以匹配下文安装的 PyTorch CUDA 12.1 工具链。

从仓库根目录的 setup.py 可以确认，unitree_rl_gym包本身声明的运行时依赖为：

install_requires=['isaacgym', 'rsl-rl', 'matplotlib', 'numpy==1.20', 'tensorboard', 'mujoco==3.2.3', 'pyyaml']

其中isaacgym与rsl-rl是训练链路的核心，mujoco服务于 Sim2Sim 部署，pyyaml用于解析部署配置文件（见 deploy/deploy_real/config.py），tensorboard用于训练过程可视化。因此本文按文档顺序，先搭建虚拟环境，再依次安装 PyTorch、Isaac Gym、rsl_rl、unitree_rl_gym，最后安装可选的 unitree_sdk2py。

二、创建 Conda 虚拟环境

强烈建议在虚拟环境中运行训练或部署程序，避免不同项目之间的依赖冲突。推荐使用 Conda 管理虚拟环境。

2.1 安装 MiniConda（已有 Conda 可跳过）

MiniConda 是 Conda 的轻量级发行版，足够满足本项目的环境管理需求。以下命令下载官方安装脚本并静默安装到~/miniconda3：

mkdir -p ~/miniconda3 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3 rm ~/miniconda3/miniconda.sh

安装完成后初始化 Conda，使其在新建终端中自动可用：

~/miniconda3/bin/conda init --all source ~/.bashrc

说明：-b表示静默（batch）模式，-u表示更新已存在的安装，-p ~/miniconda3指定安装前缀路径。

2.2 创建并激活环境

创建名为unitree-rl、Python 版本为 3.8 的虚拟环境（Isaac Gym 与 rsl_rl 对本仓库配置的兼容性以此版本为基准）：

conda create -n unitree-rl python=3.8

激活环境：

conda activate unitree-rl

激活后，后续所有安装命令都应在此环境中执行。建议同时确认 Python 与 pip 指向的是环境内的解释器（which python/python --version）。

三、安装 PyTorch（CUDA 12.1 版本）

PyTorch 是本仓库强化学习训练与推理的神经网络框架：训练时策略网络的前向/反向传播、rsl_rl中的 PPO 算法更新均运行在 PyTorch 张量之上（可参见 legged_gym/scripts/train.py 中通过task_registry.make_alg_runner创建OnPolicyRunner并调用ppo_runner.learn(...)的训练入口）。

使用 Conda 安装与 CUDA 12.1 配套的 PyTorch 2.3.1 全家桶：

conda install pytorch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 pytorch-cuda=12.1 -c pytorch -c nvidia

参数说明：

• pytorch==2.3.1：PyTorch 主框架版本；
• torchvision==0.18.1/torchaudio==2.3.1：与 PyTorch 2.3.1 严格配套的视觉 / 音频扩展库；
• pytorch-cuda=12.1：指定 CUDA 12.1 运行时，需与 Nvidia 驱动（525+）兼容；
• -c pytorch -c nvidia：指定从 PyTorch 官方 channel 与 Nvidia channel 拉取软件包。

安装完成后可用以下命令快速验证 CUDA 可用性：

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

输出2.3.1 True即表示 PyTorch 与 CUDA 均就绪。

四、安装 Isaac Gym

Isaac Gym 是 Nvidia 提供的 GPU 加速刚体仿真与强化学习训练框架，本仓库中所有 Gym 仿真环境（legged_gym/envs/下的 go2、g1、h1、h1_2）都构建在它之上。

4.1 下载

需要从 Nvidia 官网（Isaac Gym 页面）下载 Isaac Gym 的压缩包，下载时注意选择与自身系统匹配的 Linux 版本，解压后会得到包含python子目录的isaacgym目录。

4.2 安装

进入isaacgym/python目录，以可编辑模式安装：

cd isaacgym/python pip install -e .

4.3 验证安装

运行 Isaac Gym 自带的示例程序，若弹出窗口并显示 1080 个球下落，则安装成功：

cd examples python 1080_balls_of_solitude.py

该示例会创建 GPU 仿真场景并渲染物理引擎中 1080 个刚体球的自由落体效果，是验证 Isaac Gym 是否能正常驱动显卡仿真的最直接手段。如有问题，可参考解压目录下isaacgym/docs/index.html中的官方文档进行排查。

与仓库的衔接：训练脚本入口 legged_gym/scripts/train.py 在导入legged_gym.envs之前会先import isaacgym，因此 Isaac Gym 必须成功安装，否则训练与 Play 都无法启动。仿真参数（如use_gpu_pipeline、物理引擎选择）在 legged_gym/utils/helpers.py 的parse_sim_params中通过gymapi.SimParams初始化，并从命令行参数与配置类中读取。

五、安装 rsl_rl（强化学习算法库）

rsl_rl是来自 leggedrobotics 的强化学习算法库，本仓库的 PPO 训练器直接复用其OnPolicyRunner（见 legged_gym/utils/task_registry.py，其中make_alg_runner会创建OnPolicyRunner(env, train_cfg_dict, log_dir, device=args.rl_device)并执行断点续训逻辑）。

5.1 克隆仓库

git clone https://github.com/leggedrobotics/rsl_rl.git

5.2 切换分支

切换到与本仓库匹配的v1.0.2分支：

cd rsl_rl git checkout v1.0.2

版本匹配很重要：本仓库基于 rsl_rl 1.0.x 的 API 编写，切换分支可避免后续OnPolicyRunner等接口签名不兼容导致的运行错误。

5.3 安装

pip install -e .

以可编辑模式安装后，对 rsl_rl 的任何改动无需重装即可生效，便于调试。

六、安装 unitree_rl_gym（本仓库主体）

6.1 下载

git clone https://github.com/unitreerobotics/unitree_rl_gym.git

6.2 安装

进入仓库根目录并以可编辑模式安装：

cd unitree_rl_gym pip install -e .

pip install -e .会执行根目录的 setup.py，自动安装前面列出的全部依赖（若环境中尚缺），并把legged_gym、deploy等顶层包注册到当前 Python 环境，从而支持后续直接运行python legged_gym/scripts/train.py这类以仓库根目录为工作目录的命令。

安装完成后可验证环境就绪程度：

python -c "import isaacgym, torch, rsl_rl; print('deps ok')"

七、安装 unitree_sdk2py（可选，实物部署专用）

unitree_sdk2py是宇树官方提供的 Python SDK，用于与真实机器人通信（订阅电机状态、下发控制指令）。如果只需在仿真中训练与回放，可以跳过本节；只有计划将训练好的策略部署到物理机器人（Sim2Real）时才需要安装。

7.1 下载

git clone https://github.com/unitreerobotics/unitree_sdk2_python.git

7.2 安装

cd unitree_sdk2_python pip install -e .

7.3 在仓库中的用途

实物部署脚本 deploy/deploy_real/deploy_real.py 依赖该 SDK 完成与机器人的低层通信（lowcmd / lowstate 话题），配置项在 deploy/deploy_real/configs 下的 YAML 中声明，例如lowcmd_topic、lowstate_topic、kps/kds、default_angles等，由 deploy/deploy_real/config.py 统一解析。部署命令格式为：

python deploy/deploy_real/deploy_real.py {net_interface} {config_name}

其中net_interface是连接机器人的网卡名（如enp3s0），config_name是deploy/deploy_real/configs/下的配置文件（如g1.yaml、h1.yaml、h1_2.yaml）。详细操作步骤（零力矩模式、调试模式、遥控器按键流程等）可参考 deploy/deploy_real/README.zh.md。

八、安装完成后的验证与下一步

按照上述步骤完成后，你已经可以在unitree-rl虚拟环境中运行本仓库的核心程序。仓库 README_zh.md 给出的完整流程为Train → Play → Sim2Sim → Sim2Real，下面简要说明验证安装是否真正可用的两条命令：

8.1 训练（Train）

python legged_gym/scripts/train.py --task=xxx

--task为必选参数，可取值包括go2、g1、h1、h1_2，分别对应 legged_gym/envs 下注册的仿真环境。任务注册机制位于 legged_gym/utils/task_registry.py，训练默认将结果保存到logs/<experiment_name>/<date_time>_<run_name>/model_<iteration>.pt（日志目录的拼接逻辑见 task_registry.py）。

常用命令行参数由 legged_gym/utils/helpers.py 的get_args()定义，包括--headless（不渲染图形界面、效率更高）、--resume、--experiment_name、--run_name、--load_run、--checkpoint、--num_envs、--seed、--max_iterations、--rl_device等。

8.2 回放（Play）

python legged_gym/scripts/play.py --task=xxx

Play 会加载指定实验的最后一个模型进行策略回放，并导出 Actor 网络：legged_gym/scripts/play.py 中EXPORT_POLICY = True时，会调用 helpers.py 的export_policy_as_jit，将普通 MLP 策略导出为policy_1.pt、将 RNN（LSTM）策略导出为policy_lstm_1.pt，保存到logs/{experiment_name}/exported/policies/，供 Mujoco 仿真或 C++ 部署使用。

8.3 常见问题排查思路

• Isaac Gym 无法启动 / 黑屏：优先检查 Nvidia 驱动版本（建议 525+）、nvidia-smi输出，以及 Isaac Gym 解压目录下的docs/index.html官方文档；
• 训练时 CUDA 报错：确认pytorch-cuda=12.1与驱动匹配，可用python -c "import torch; print(torch.cuda.is_available())"定位；
• 导入 rsl_rl 失败：确认已git checkout v1.0.2并pip install -e .；
• pip 安装 unitree_rl_gym 失败：检查 setup.py 中声明的依赖是否被正确解析（如numpy==1.20等固定版本约束）；
• 部署环节异常：先确认已安装 unitree_sdk2py，并核对部署 YAML 配置与机器人型号一致。

总结

本文从系统要求出发，完整复现了 doc/setup_zh.md 的安装流程：MiniConda 虚拟环境 → PyTorch 2.3.1（CUDA 12.1）→ Isaac Gym → rsl_rl v1.0.2 → unitree_rl_gym，并补充了可选的 unitree_sdk2py 实物部署依赖。每个组件都可以在仓库源码中找到其实际调用位置，例如训练入口 train.py、任务注册 task_registry.py、参数解析 helpers.py、部署配置解析 config.py。按顺序安装并逐项验证后，即可开始 Unitree Go2 / G1 / H1 / H1_2 的强化学习训练、仿真回放与实物部署工作。若安装过程中遇到问题，请优先核对各组件的版本匹配关系与依赖是否安装正确。

【免费下载链接】unitree_rl_gym项目地址: https://gitcode.com/GitHub_Trending/un/unitree_rl_gym