宇树 Qmini 双足机器人训练个人经验总结

github：https://github.com/vsislab/RoboTamer4Qmini

本篇内容基于我在 AutoDL 云服务器 上对 Qmini 做完整训练与测试的实践总结，涵盖训练、可视化、策略测试、模型导出、URDF 调试等环节，并重点说明 headless（无显示）环境下的各种坑与解决方案。希望能帮到后来者少走弯路。

前提说明：为什么不建议在云端直接跑渲染？

我最开始的目标是：训练、渲染、视频录制全部在 AutoDL 上完成，不经过本地运行。

然而现实是：

• 即使用 Xvfb 等虚拟显示器启动 Isaac Gym，也会发生视频保存全黑的情况。
• VNC 远程桌面也无法正常显示 Isaac Gym 的渲染窗口。
• 根本原因来自 驱动版本过高与 Isaac Gym 对驱动的强依赖。

因此更推荐：在云服务器训练模型 → 本地 Ubuntu 加载策略进行测试与演示。

可以在云服务器中进行训练然后在本地进行测试，这是我目前发现的比较好的方式，本地使用的是ubuntu系统，最后算是可以正常演示。

当前的问题都是基于我完全使用autodl上进行的尝试，希望可以对大家有所帮助，少踩坑。

训练阶段

python train.py --config BIRL --name <name>

--name

​ 存放路径experiments/<name>/

--config

​ 选择配置文件，默认：BIRL

--resume

​ 恢复训练

​ eg：python train.py --name stand --resume --path experiments/stand/checkpoints/policy_40000.pt

--render

​ 开启画面显示（isaac gym窗口）

--fix_cam

​ 视角固定在机器人上方

--horovod

​ 多gpu训练

--r l_device

​ 训练设备设置

​ 默认cudo0，可以改为cpu等

--num_envs

​ 环境数量

--seed

​ 随机种子，利于复现

--max_iterations

​ 最大训练迭代次数

查看结果

云端可能出现 6006 端口占用 的情况，需要手动释放。

1. 安装 lsof

apt-get update

apt-get install lsof -y

2. 查看端口占用

lsof -i :6006

3. 杀掉进程

kill -9 <PID>

4. 重新启动 TensorBoard

tensorboard --logdir experiments/<name>/log --port 6006

运行训练好的策略 play.py

python play.py --render --name <name> 加载训练好的策略，开始跑模拟器

--render 显示画面

--fix_cam 相机固定跟随机器人

--cmp_real 与真实机器人采集的数据对比绘图

--plt_sim 显示仿真数据的曲线图（如关节角、速度等）

--num_envs 改变并行环境数量

--video 开启视频录制，保存到 videos/ 文件夹，必须配合 --render

--time 玩多少秒

--iter 指定用哪一轮的模型，默认加载目录下最后一个 policy

--epochs 重复评估多少次，用来统计平均性能

--debug 保存仿真数据到 Excel

导出ONNX模型

python export_pt2onnx.py --name <name>

把 .pt 权重导出为 .onnx，便于部署到嵌入式设备、Jetson、Unity 等。

加载（调试）urdf模型

python tune_urdf.py

测试你的机器人 URDF 是否正常加载，检查质量参数、碰撞体、关节限位，也可微调模型参数

自动调参PID（tun_pid.py）

python tune_pid.py --mode <mode>

--model

sin	发送正弦信号测试电机响应
real	上传真实机器人数据进行比较
reset	恢复初始值，不进行测试

错误

Headless 环境无法渲染

云服务器默认无显示设备。

临时方案：使用虚拟显示：Xvfb（首先进行pip下载）

Xvfb :1 -screen 0 1024x768x24 & #启动 X Server
export DISPLAY=:1 #设置环境变量

注意：但这只能让程序“以为”自己有显示，无法保证正常渲染！

使用autodl远程连接，play.py 视频录制仍为黑屏

原因分析：原因：云端 GPU 驱动版本过高（如 570 系列），超过了 Isaac Gym 的兼容范围。

Isaac Gym 对渲染器依赖的驱动版本非常敏感，驱动过新 → 渲染器初始化失败 → 视频录制为纯黑。

目前找到比较好的方案是：云端只做训练，本地 Ubuntu 运行 play.py。

最后的最后再次说明，目前我认为比较稳妥、推荐的流程是：云端训练（AutoDL）→ 本地 Ubuntu Play 与可视化。云端的 headless 环境与高版本驱动目前无法可靠支持 Isaac Gym 的图形渲染与视频录制，本地则能完美解决所有渲染相关问题。

如有不对，希望各位大佬可以积极指出，谢谢各位。