宇树 G1 机器人强化学习训练实战：环境配置与奖励函数

from legged_gym.envs.base.legged_robot_config import LeggedRobotCfg, LeggedRobotCfgPPO

class G1RoughCfg(LeggedRobotCfg):
    class init_state(LeggedRobotCfg.init_state):
        pos = [0.0, 0.0, 0.8]  # x,y,z [m] 初始位置
        default_joint_angles = {
            # 各关节默认角度 [rad]
            'left_hip_yaw_joint': 0.,
            'left_hip_roll_joint': 0,
            'left_hip_pitch_joint': -0.1,
            'left_knee_joint': 0.3,
            'left_ankle_pitch_joint': -0.2,
            'left_ankle_roll_joint': 0,
            'right_hip_yaw_joint': 0.,
            'right_hip_roll_joint': 0,
            'right_hip_pitch_joint': -0.1,
            'right_knee_joint': 0.3,
            'right_ankle_pitch_joint': -0.2,
            'right_ankle_roll_joint': 0,
            'torso_joint': 0
        }

    class env(LeggedRobotCfg.env):
        num_observations = 47  # 观测维度
        num_privileged_obs = 50  # 特权观测维度
        num_actions = 12  # 动作维度

这里的关键参数解释：

• pos: 机器人在仿真环境中的初始位置
• default_joint_angles: 各关节的默认角度，这些角度对应机器人的自然站立姿态
• num_observations: 观测空间维度，包括身体姿态、关节状态等信息
• num_actions: 动作空间维度，对应可控制的关节数量

2. 扩展到 23 自由度模型

2.1 高自由度模型的挑战

当我们将 G1 机器人从 12 自由度扩展到 23 自由度时，增加的 11 个自由度主要分布在上肢：

• 腰部：3 个自由度（yaw, pitch, roll）
• 左右肩部：各 3 个自由度（pitch, roll, yaw）
• 左右肘部：各 1 个自由度（pitch）
• 左右手腕：各 1 个自由度（roll）

这种扩展带来了显著的复杂性增加，不仅仅是参数数量的增长，更重要的是动作空间的指数级扩展和训练难度的显著提升。

2.2 创建 23 自由度配置

为了不破坏现有的 G1 训练任务，我们在 legged_gym/envs/g1/ 目录下创建新的配置文件 g1_config_23.py：

from legged_gym.envs.base.legged_robot_config import LeggedRobotCfg, LeggedRobotCfgPPO

class G1_23RoughCfg(LeggedRobotCfg):
    class init_state(LeggedRobotCfg.init_state):
        pos = [0.0, 0.0, 0.8]
        default_joint_angles = {
            # 腿部关节（保持原有配置）
            'left_hip_yaw_joint': 0.,
            'left_hip_roll_joint': 0,
            'left_hip_pitch_joint': -0.1,
            'left_knee_joint': 0.3,
            'left_ankle_pitch_joint': -0.2,
            'left_ankle_roll_joint': 0,
            'right_hip_yaw_joint': 0.,
            'right_hip_roll_joint': 0,
            'right_hip_pitch_joint': -0.1,
            'right_knee_joint': 0.3,
            'right_ankle_pitch_joint': -0.2,
            'right_ankle_roll_joint': 0,
            # 新增的上肢关节
            'waist_yaw_joint': 0,  # 注意：torso_joint 改名为 waist_yaw_joint
            'left_shoulder_pitch_joint': 0.,
            'left_shoulder_roll_joint': 0,
            'left_shoulder_yaw_joint': 0.,
            'left_elbow_joint': 0.,
            'left_wrist_roll_joint': 0.,
            'right_shoulder_pitch_joint': 0.,
            'right_shoulder_roll_joint': 0.0,
            'right_shoulder_yaw_joint': 0.,
            'right_elbow_joint': 0.,
            'right_wrist_roll_joint': 0.
        }

2.3 观测维度的重新计算

观测维度的计算是强化学习配置中的关键环节。对于足式机器人，标准的观测包括：

• 基座角速度：3 维
• 重力投影：3 维
• 运动命令：3 维
• 关节位置偏差：关节数量维（23 维）
• 关节速度：关节数量维（23 维）
• 上一步动作：关节数量维（23 维）
• 相位信息：2 维（sin 和 cos）

因此，23 自由度 G1 机器人的观测维度为：3 + 3 + 3 + 23×3 + 2 = 80 维，通过查看 /unitree_rl_gym/legged_gym/envs/g1/g1_env.py 中的 privileged_obs_buf 和 obs_buf，我们发现多了 base_lin_vel（线速度）（3 维）。

class env(LeggedRobotCfg.env):
    num_observations = 80  # 普通观测维度
    num_privileged_obs = 83  # 特权观测维度（多了基座线速度 3 维）
    num_actions = 23  # 动作维度

2.4 控制参数配置

针对新增的关节，需要配置相应的 PD 控制参数。不同类型的关节需要不同的刚度和阻尼设置：

class control(LeggedRobotCfg.control):
    control_type = 'P'  # PD 控制
    # 关节刚度配置 [N*m/rad]
    stiffness = {
        'hip_yaw': 100,
        'hip_roll': 100,
        'hip_pitch': 100,
        'knee': 150,
        'ankle': 40,
        'waist_yaw': 250,  # 腰部需要更高刚度
        'shoulder': 100,  # 肩部关节
        'elbow': 50,  # 肘部关节
        'wrist': 50  # 手腕关节
    }
    # 关节阻尼配置 [N*m*s/rad]
    damping = {
        'hip_yaw': 2,
        'hip_roll': 2,
        'hip_pitch': 2,
        'knee': 4,
        'ankle': 2,
        'waist_yaw': 6,  # 腰部阻尼
        'shoulder': 2,
        'elbow': 2,
        'wrist': 2,
    }
    action_scale = 0.25  # 动作缩放因子
    decimation = 4  # 控制频率分频

2.5 资源文件更新

最后，需要更新机器人模型文件路径：

class asset(LeggedRobotCfg.asset):
    file = '{LEGGED_GYM_ROOT_DIR}/resources/robots/g1_description/g1_23dof_rev_1_0.urdf'
    name = "g1"
    foot_name = "ankle_roll"
    penalize_contacts_on = ["hip", "knee"]
    terminate_after_contacts_on = ["pelvis"]
    self_collisions = 0
    flip_visual_attachments = False

完成配置后，在 __init__.py 中注册新任务：

from legged_gym.envs.g1.g1_config_23 import G1_23RoughCfg, G1_23RoughCfgPPO
task_registry.register("g1_23", G1Robot, G1_23RoughCfg(), G1_23RoughCfgPPO())

现在可以使用以下命令开始 23 自由度的训练：

python legged_gym/scripts/train.py --task=g1_23 

3. 奖励函数架构深度解析

3.1 奖励函数的核心作用

在强化学习中，奖励函数是算法学习的唯一指导信号。对于足式机器人，一个良好的奖励函数设计需要平衡多个目标：稳定性、任务完成度、能耗效率、动作自然性等。

宇树的强化学习框架采用了模块化的奖励函数设计，每个奖励组件专注于机器人行为的特定方面。这种设计使得我们可以精细调节每个行为特征的重要性。

3.2 G1 机器人奖励函数配置详解

在 G1 机器人的配置类 G1RoughCfg(LeggedRobotCfg) 中，奖励函数的配置采用继承和重写的方式：

class G1RoughCfg(LeggedRobotCfg):
    class rewards(LeggedRobotCfg.rewards):
        # 基础参数设置
        soft_dof_pos_limit = 0.9  # 柔性关节位置限制，保护机械结构
        base_height_target = 0.78  # 期望的机器人身体高度

    class scales(LeggedRobotCfg.rewards.scales):
        # 轨迹跟踪奖励
        tracking_lin_vel = 1.0  # 线速度跟踪奖励权重
        tracking_ang_vel = 0.5  # 角速度跟踪奖励权重
        # 稳定性相关惩罚
        lin_vel_z = -2.0  # z 方向线速度惩罚（防跳跃）
        ang_vel_xy = -0.05  # xy 轴角速度惩罚（防翻滚）
        orientation = -1.0  # 姿态偏离惩罚
        base_height = -10.0  # 高度偏离惩罚
        # 动作平滑性惩罚
        dof_acc = -2.5e-7  # 关节加速度惩罚
        dof_vel = -1e-3  # 关节速度惩罚
        action_rate = -0.01  # 动作变化率惩罚
        # 步态相关奖励
        feet_air_time = 0.0  # 足部离地时间奖励
        contact = 0.18  # 足部接触奖励
        contact_no_vel = -0.2  # 接触时无速度惩罚
        feet_swing_height = -20.0  # 足部摆动高度惩罚
        # 安全性奖励
        collision = 0.0  # 碰撞惩罚
        dof_pos_limits = -5.0  # 关节位置限制惩罚
        alive = 0.15  # 存活奖励
        hip_pos = -1.0  # 髋部位置惩罚

参数设置详解：

• soft_dof_pos_limit = 0.9: 设置为 URDF 限制的 90%，当关节接近极限位置时开始惩罚，保护机械结构
• base_height_target = 0.78: G1 机器人的理想身体高度（米），用于维持稳定的站立姿态

父类继承的默认配置：

class LeggedRobotCfg:
    class rewards:
        class scales:
            termination = -0.0  # 终止惩罚
            torques = -0.00001  # 扭矩惩罚
            feet_stumble = -0.0  # 足部绊倒惩罚
            stand_still = -0.  # 静止时动作惩罚
            only_positive_rewards = True  # 限制负奖励，避免早期终止
            tracking_sigma = 0.25  # 跟踪奖励的衰减参数
            soft_dof_vel_limit = 1.  # 关节速度软限制
            soft_torque_limit = 1.  # 扭矩软限制
            max_contact_force = 100.  # 最大接触力阈值

3.3 奖励函数的初始化机制

在 LeggedRobot 类的初始化过程中，_prepare_reward_function() 方法负责构建奖励函数列表：

def _prepare_reward_function(self):
    """准备奖励函数列表，查找所有非零权重的奖励函数"""
    # 移除零权重项，并将非零权重乘以时间步长
    for key in list(self.reward_scales.keys()):
        scale = self.reward_scales[key]
        if scale == 0:
            self.reward_scales.pop(key)  # 移除零权重项
        else:
            self.reward_scales[key] *= self.dt  # 转换为每秒奖励
    # 构建函数列表
    self.reward_functions = []
    self.reward_names = []
    for name, scale in self.reward_scales.items():
        if name == "termination":
            continue  # 终止奖励单独处理
        self.reward_names.append(name)
        function_name = '_reward_' + name
        self.reward_functions.append(getattr(self, function_name))
    # 初始化累积奖励记录
    self.episode_sums = {
        name: torch.zeros(self.num_envs, dtype=torch.float, device=self.device, requires_grad=False)
        for name in self.reward_scales.keys()
    }

这个机制的巧妙之处在于动态函数查找：通过 getattr(self, '_reward_' + name) 自动找到对应的奖励函数，这意味着我们只需要定义函数并在配置中设置权重，系统就会自动将其纳入训练过程。

3.4 奖励计算的执行机制

每个仿真步骤都会调用 compute_reward() 方法来计算总奖励：

def compute_reward(self):
    """计算总奖励，调用所有非零权重的奖励函数"""
    self.rew_buf[:] = 0.  # 初始化奖励缓冲区
    # 计算各项奖励
    for i in range(len(self.reward_functions)):
        name = self.reward_names[i]
        rew = self.reward_functions[i]() * self.reward_scales[name]
        self.rew_buf += rew
        self.episode_sums[name] += rew
    # 可选：限制负奖励
    if self.cfg.rewards.only_positive_rewards:
        self.rew_buf[:] = torch.clip(self.rew_buf[:], min=0.)
    # 单独处理终止奖励
    if "termination" in self.reward_scales:
        rew = self._reward_termination() * self.reward_scales["termination"]
        self.rew_buf += rew
        self.episode_sums["termination"] += rew

3.5 核心奖励函数解析

让我们深入分析几个关键的奖励函数：

轨迹跟踪奖励：

def _reward_tracking_lin_vel(self):
    """线速度跟踪奖励 - 鼓励机器人按指令移动"""
    lin_vel_error = torch.sum(torch.square(
        self.commands[:, :2] - self.base_lin_vel[:, :2]), dim=1)
    return torch.exp(-lin_vel_error / self.cfg.rewards.tracking_sigma)

def _reward_tracking_ang_vel(self):
    """角速度跟踪奖励 - 鼓励机器人按指令转向"""
    ang_vel_error = torch.square(
        self.commands[:, 2] - self.base_ang_vel[:, 2])
    return torch.exp(-ang_vel_error / self.cfg.rewards.tracking_sigma)

这两个函数使用指数衰减的奖励机制：误差越小，奖励越接近 1；误差增大，奖励快速衰减至 0。

稳定性奖励：

def _reward_orientation(self):
    """姿态稳定性奖励 - 惩罚身体倾斜"""
    return torch.sum(torch.square(self.projected_gravity[:, :2]), dim=1)

def _reward_base_height(self):
    """高度控制奖励 - 保持目标高度"""
    base_height = self.root_states[:, 2]
    return torch.square(base_height - self.cfg.rewards.base_height_target)

动作平滑性奖励：

def _reward_action_rate(self):
    """动作变化率惩罚 - 鼓励平滑控制"""
    return torch.sum(torch.square(self.last_actions - self.actions), dim=1)

def _reward_dof_acc(self):
    """关节加速度惩罚 - 避免剧烈动作"""
    return torch.sum(torch.square((self.last_dof_vel - self.dof_vel) / self.dt), dim=1)