Unitree RL GYM —
Takviyeli Öğrenme ile Robot Kontrolü.
Go2, G1, H1 ve H1_2 robotlarını Isaac Gym ortamında eğitin, MuJoCo'da doğrulayın ve gerçek robota aktarın. Eksiksiz Train → Play → Sim2Sim → Sim2Real pipeline rehberi.
İş Akışı — 4 Adımda Sim-to-Real
Eğitim
Isaac Gym simülasyon ortamında robotun çevreyle etkileşime girerek ödülleri maksimize eden politikayı keşfetmesini sağlayın. GPU paralel simülasyon ile binlerce ortamda eşzamanlı eğitim.
Doğrulama
Eğitilen politikayı görsel olarak doğrulayın. Actor ağını MLP veya LSTM formatında dışa aktarın.
Çapraz Simülasyon
Gym'de eğitilen politikayı MuJoCo simülatörüne aktararak ortam bağımsızlığını test edin. Overfitting kontrolü.
Fiziksel Aktarım
Politikayı gerçek Unitree robotuna deploy edin. Debug modunda güvenli fiziksel doğrulama.
Desteklenen Robot Modelleri
Unitree RL GYM şu anda Go2, G1, H1 ve H1_2 modellerini desteklemektedir. Her model için önceden eğitilmiş ağırlıklar ve yapılandırma dosyaları mevcuttur.
Unitree Go2
Quadruped (Dört Ayaklı)4D LiDAR, GPT entegrasyonu, AIR/PRO/X/EDU varyantları — $1,600'dan
Unitree G1
İnsansı127 cm, 23+ DoF, Jetson Orin 100 TOPS — $16,000'dan
Unitree H1
İnsansı180 cm, 19 DoF, full-size insansı — araştırma platformu
Unitree H1_2
İnsansıH1'in yeni nesil versiyonu — geliştirilmiş eklem kontrol
1. Eğitim (Training)
Aşağıdaki komut ile eğitimi başlatın. --headless parametresi ile grafik arayüzü kapatarak eğitim verimliliğini artırabilirsiniz.
python legged_gym/scripts/train.py --task=go2 --headlessVarsayılan çıktı dizini: logs/<experiment_name>/<date_time>_<run_name>/model_<iteration>.pt
PARAMETRE REFERANSI
--taskZorunlu. Robot modeli: go2, g1, h1, h1_2--headlessGrafik arayüzsüz mod (yüksek verimlilik)--resumeCheckpoint'ten eğitime devam--experiment_nameDeney adı--run_nameÇalıştırma adı--load_runYüklenecek çalıştırma (varsayılan: son)--checkpointYüklenecek checkpoint numarası--num_envsParalel ortam sayısı--seedRastgele tohum değeri--max_iterationsMaksimum eğitim iterasyonu--sim_deviceSimülasyon cihazı (örn: cpu)--rl_deviceRL hesaplama cihazı (örn: cpu)2. Oynatma (Play)
Eğitim sonuçlarını görselleştirmek için Play komutunu çalıştırın. Varsayılan olarak en son modeli yükler.
python legged_gym/scripts/play.py --task=g1Ağ Dışa Aktarımı
Play komutu Actor ağını otomatik dışa aktarır. Standart MLP ağları policy_1.pt, RNN ağları policy_lstm_1.pt olarak kaydedilir.
policy_1.pt (MLP)policy_lstm_1.pt (RNN)3. Sim2Sim (MuJoCo)
Gym'de eğitilen politikayı MuJoCo simülatöründe çalıştırarak ortam bağımsızlığını doğrulayın.
python deploy/deploy_mujoco/deploy_mujoco.py {config_name}Örnek: G1 Modeli:
python deploy/deploy_mujoco/deploy_mujoco.py g1.yamlÖzel Model Kullanma
Varsayılan model deploy/pre_train/{robot}/motion.pt konumundadır. Kendi eğittiğiniz modeli kullanmak için YAML konfigürasyon dosyasındaki policy_path değerini güncelleyin.
4. Sim2Real (Fiziksel Robot)
Fiziksel robota deploy etmeden önce robotun debug modunda olduğundan emin olun.
python deploy/deploy_real/deploy_real.py {net_interface} {config_name}PARAMETRELER
net_interfaceRobota bağlı ağ kartı adı (örn: enp3s0)config_nameKonfigürasyon dosyası (örn: g1.yaml, h1.yaml)C++ ile Deploy (G1)
G1 önceden eğitilmiş modeli C++ ile de deploy edilebilir. LibTorch bağımlılığı gerektirir.
cd deploy/deploy_real/cpp_g1
wget https://download.pytorch.org/libtorch/cpu/libtorch-cxx11-abi-shared-with-deps-2.7.1%2Bcpu.zip
unzip libtorch-cxx11-abi-shared-with-deps-2.7.1+cpu.zip
mkdir build && cd build
cmake .. && make -j4
./g1_deploy_run {net_interface}
Sıkça Sorulan Sorular
Unitree RL GYM hangi robotları destekliyor?
Go2 (quadruped), G1 (insansı), H1 (insansı) ve H1_2 (insansı) modellerini destekler. Her model için önceden eğitilmiş ağırlıklar ve Isaac Gym + MuJoCo konfigürasyonları mevcuttur.
Eğitim için hangi donanım gerekiyor?
NVIDIA GPU (CUDA destekli) önerilir. Isaac Gym GPU paralel simülasyon kullandığından RTX 3060 ve üstü kartlar en verimli sonucu verir. CPU modunda da çalıştırılabilir ancak eğitim süresi uzar.
Sim2Real transferinde başarı oranı nedir?
Doğru domain randomization ve reward shaping ile %80-95 arası sim2real transfer başarısı elde edilebilir. MuJoCo ara doğrulaması bu oranı artırır.
Önceden eğitilmiş modeller mevcut mu?
Evet, her robot modeli için deploy/pre_train/ dizininde önceden eğitilmiş locomotion politikaları sağlanır. Bu modelleri doğrudan fiziksel robotta test edebilirsiniz.
ROS2 ile entegre çalışabilir mi?
Evet, eğitilen politikalar ROS2 düğümü olarak sarmalanabilir. unitree_ros2 paketleri ile Nav2 ve SLAM pipeline'larına entegre edilebilir.
Unitree RL GYM Türkiye'de destek alınabilir mi?
Evet, Robotlar.org olarak Türkiye'de Unitree RL GYM kurulumu, eğitim parametresi optimizasyonu ve sim2real transfer danışmanlığı sunuyoruz.
Kaynaklar & Bağlantılar
Unitree RL GYM — GitHub
Resmi kaynak kodu, önceden eğitilmiş modeller ve konfigürasyon dosyaları.
legged_gym
ETH Zürich'ten dört bacaklı robot eğitim framework'ü — temel altyapı.
rsl_rl
Reinforcement learning algoritma uygulaması (PPO, LSTM, vb.).
MuJoCo
Google DeepMind'ın fizik simülasyon motoru — Sim2Sim doğrulaması.
unitree_sdk2_python
Fiziksel deploy için donanım iletişim arayüzü.
Unitree SDK Rehberi
Python, C++, ROS2 ve simülasyon ortamlarıyla Unitree geliştirme kılavuzu.
Unitree RL Desteği
Türkiye'de.
Isaac Gym kurulumu, reward fonksiyonu tasarımı veya sim2real transferi için Türkiye'deki Unitree teknik ekibimizden destek alın.