新闻详情

新闻详情

首页 / 资讯中心 / 详情

GR00T-WholeBodyControl键盘控制教程:7个按键指挥G1机器人行走、转向与变高的入门实操

发布时间:2026/11/11 3:20:00来源:尧图网络
GR00T-WholeBodyControl键盘控制教程:7个按键指挥G1机器人行走、转向与变高的入门实操
GR00T-WholeBodyControl键盘控制教程7个按键指挥G1机器人行走、转向与变高的入门实操【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControlGR00T-WholeBodyControl 是 NVIDIA 开源的人形机器人全身控制WBC统一平台涵盖 G1 机器人常用的 Decoupled WBC 与 GEAR-SONIC 控制器。本教程带你用最简单的键盘控制方式快速让 G1 机器人走起来、转起来还能实时调整身体高度——全程只需要 7 个按键零硬件门槛新手友好。一、3 步启动键盘控制先跑通仿真键盘控制是 GEAR-SONIC 最轻量的一档输入方式官方推荐先在 MuJoCo 仿真里跑通再上真机。第 1 步安装仿真环境仅需一次在仓库根目录执行bash install_scripts/install_mujoco_sim.sh第 2 步终端 1 启动 MuJoCo 仿真source .venv_sim/bin/activate python gear_sonic/scripts/run_sim_loop.py第 3 步终端 2 以键盘模式启动 C 部署在 gear_sonic_deploy/ 目录下执行bash deploy.sh --input-type keyboard sim 如果是真机部署把sim换成real即可bash deploy.sh --input-type keyboard real。详细步骤见 快速入门文档。二、核心 7 键速查表行走、转向与变高启动后按]键开启控制系统再按ENTER进入Planner 模式终端会打印Planner enabled。此后下面这 7 组按键就是你的驾驶舱按键功能一句话说明W / S前进 / 后退按一次就走松手自动减速停下A / D边走边转调整朝向并向前移动Q / E原地转向每按一次转 ±π/6 弧度逗号 / 句点左右横移建议速度保持 0.4 m/s- / 降低 / 升高调整身体高度范围 0.2–0.8 米9 / 0减速 / 加速微调运动速度1–8选择动作模式在当前动作组内切换慢走/走/跑等配合动作组使用效果最好Set 0 站立行走1慢走、2正常走、3跑、4开心步、5潜行步、6受伤步Set 1 蹲/地面蹲姿、单膝跪、双手爬、肘爬支持用-/调高按N/P可在动作组间循环切换 小彩蛋Planner 还支持拳击组出拳、勾拳和风格行走组僵尸步、跳舞、指人按N切换试试。三、动量系统为什么按一次键机器人就自己走了键盘模式采用动量驱动的设计按下方向键W/S/A/D 等动量瞬间拉满到 1.0机器人全速启动不按键时动量逐帧衰减×0.999机器人自然滑行减速动量低于 0.1 后自动回到 idle 站姿按R、反引号或~可瞬间清零动量实现急停。也就是说你不用一直按住方向键——轻点一下机器人就走再想停松手等它滑停或按急停键立刻刹住。四、系统级按键别忽略这些保命键按键作用]**启动控制系统O急停并退出任何时候都能按ENTERNormal / Planner 两种模式互切T播放当前参考动作Normal 模式N/P上一条 / 下一条动作序列R停止动作并回到第 0 帧不退出策略I重置朝向基准完整按键清单见 键盘控制官方教程按键逻辑实现可参考 keyboard_handler.hpp。五、安全须知真机必读⚠️随时准备按O真机操作时手放在键盘上一键急停预留清空的安全区远离人和障碍物真机部署前务必在仿真中把 7 键全部练熟侧向移动逗号/句点时速度建议 ≤0.4 m/s避免交叉步态下双脚相撞。六、下一步可以玩什么️ 手柄控制游戏手柄教程 VR 全身遥操作PICO VR 教程 ZMQ 网络指令流ZMQ 教程 了解规划器模型细节Kinematic Planner ONNX 参考键盘只是 GR00T-WholeBodyControl 的入门入口——同一个--input-type参数即可切换到手柄、ZMQ 或 VR 遥操作控制器本身完全复用。现在打开两个终端按]让 G1 走出第一步吧【免费下载链接】GR00T-WholeBodyControlWelcome to GR00T Whole-Body Control (WBC)! This is a unified platform for developing and deploying advanced humanoid controllers. This includes: Decoupled WBC models used in NVIDIA Isaac-Gr00t, Gr00t N1.5 and N1.6 and GEAR-SONIC项目地址: https://gitcode.com/gh_mirrors/gr/GR00T-WholeBodyControl创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/10 4:49:37

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/10 19:42:40

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/10 9:14:31

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/10 1:10:29

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/10 15:15:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉