PBHC 的项目扩展与二次开发

1. 项目的基础介绍

PBHC（Physics-Based Humanoid Whole-Body Control）是一个基于物理的人形机器人全身控制框架的开源项目。该项目旨在通过多阶段运动处理和自适应策略训练，使人形机器人能够学习和复制具有挑战性的动态运动。项目的核心是一个RL（强化学习）运动模仿框架，它可以在IsaacGym中进行策略训练，并在MuJoCo或真实世界的机器人中进行模拟验证。

2. 项目的核心功能

• 运动处理管道：从各种来源（视频、LAFAN、AMASS等）收集人类运动数据，并将其转换为统一的SMPL格式。
• 运动重定向：过滤、校正并将人类运动数据重定向到机器人。
• 运动可视化与分析：提供工具来可视化、插值和轨迹分析处理后的运动数据。
• RL-based 运动模仿框架：在IsaacGym中训练策略，并在MuJoCo或真实世界机器人中部署训练好的策略。

3. 项目使用了哪些框架或库？

• ASAP：构建RL代码库的库。
• RSL_RL：用于PPO（Proximal Policy Optimization）实现的库。
• Unitree G1：作为测试床机器人。
• Maskedmimic：使用基于Mink的Retargeting管道。
• PHC：将PHC的Retargeting管道整合到项目中。
• GVHMR：从视频中提取运动。
• IPMAN：基于IPMAN代码库过滤运动。

4. 项目的代码目录及介绍

• description：提供SMPL和G1机器人的描述文件。
• motion_source：获取SMPL格式数据的文档。
• smpl_retarget：用于SMPL到G1机器人重定向的工具。
• smpl_vis：用于可视化SMPL格式数据的工具。
• robot_motion_process：用于处理机器人格式运动的工具，包括可视化、插值和轨迹分析。
• humanoidverse：训练RL策略的目录。
• example：使用PBHC的示例运动和ckpt文件。

5. 对项目进行扩展或者二次开发的方向

• 增加新的运动源处理模块：可以扩展项目以支持更多种类的运动数据源，如更多的视频格式或运动捕获数据。
• 集成其他RL算法：可以在项目中集成更多的强化学习算法，以提供更灵活的策略训练选项。
• 优化运动重定向算法：改进现有的运动重定向算法，以提高运动质量。
• 增加仿真环境：集成其他仿真环境，如Gazebo等，以进行更广泛的仿真测试。
• 实现真实机器人部署：开发用于真实机器人部署的模块，以实现从模拟到现实的过渡。
• 社区支持和文档完善：构建更完善的文档和教程，以便更多的开发者能够参与到项目的二次开发中来。