参考资料

1. Installation using Isaac Sim Pip Package — Isaac Lab Documentation
2. 四足运控，从入门到精通
3. GitHub - DeepRoboticsLab/rl\_training: RL\_Training Repo Based on Isaaclab
4. GitHub-DeepRoboticsLab/Lite3_rl_deploy:

---

 1、登录算力自由云平台，根据官方提供的镜像创建实例

2、云平台默认缓存路径更换

由于云平台的系统盘不可扩容，建议将默认缓存路径更换至数据盘

1. conda的默认缓存路径更换

# 打开终端，输入如下命令

# 添加环境安装目录（新环境将默认装在这里）
conda config --add envs_dirs /root/gpufree-data/conda/envs
# 添加包缓存目录（下载的包将缓存在这里）
conda config --add pkgs_dirs /root/gpufree-data/conda/pkgs
    
# 终端使用命令 conda info 查看是否变更

2. pip默认缓存路径更换

# 打开终端，输入如下命令
pip config set global.cache-dir /root/gpufree-data/pip/cache

# 使用命令 pip config list 查看是否变更

3、搭建训练环境

1. 激活conda环境（默认激活，若未激活可使用如下命令）

conda activate isaac

2. 拉取rl_training代码

git clone --recurse-submodules https://github.com/DeepRoboticsLab/rl_training.git

3. 安装依赖

python -m pip install -e source/rl_training

4. 验证安装

python scripts/tools/list_envs.py

5. 测试（Lite3为例）

# Train
python scripts/reinforcement_learning/rsl_rl/train.py --task=Rough-Deeprobotics-Lite3-v0 --headless

# Play
python scripts/reinforcement_learning/rsl_rl/play.py --task=Rough-Deeprobotics-Lite3-v0 --num_envs=10

 4、搭建部署环境

1. 安装segmentation debug工具

sudo apt-get install libdw-dev
wget https://raw.githubusercontent.com/bombela/backward-cpp/master/backward.hpp
sudo mv backward.hpp /usr/include

2. 依赖安装 并拉取Lite3_rl_deploy代码 (python3.10)

pip install pybullet "numpy < 2.0" mujoco
git clone --recurse-submodule https://github.com/DeepRoboticsLab/Lite3_rl_deploy.git

3. 编译

mkdir build && cd build
cmake .. -DBUILD_PLATFORM=x86 -DBUILD_SIM=ON -DSEND_REMOTE=OFF
# 指令解释
# -DBUILD_PLATFORM：电脑平台，Ubuntu为x86，机器狗运动主机为arm
# -DBUILD_SIM：是否使用仿真器，如果在实机上部署设为OFF 

make -j

4. 运行 (打开两个终端)

#终端1 (pybullet)
cd interface/robot/simulation
python3 pybullet_simulation.py
# 终端1 (mujoco)
cd interface/robot/simulation
python3 mujoco_simulation.py

# 终端2 
cd build
./rl_deploy

5. 终端2操作命令

    Tips：可以将仿真器窗口设置始终位于最上层，方便可视化
    - z： 机器狗静止进入默认状态
    - c： 机器狗静止进入rl控制状态
    - wasd：前后左右
    - qe：顺逆时针旋转