宇树 G1 人形机器人 VR 遥操作及 LeRobot 集成开发指南

本例程在 TeleVision 开源项目基础上修改完成，下述部分配置也可参考该项目的 README 及相关页面。在此，Isaac Gym 仿真环境用于测试配置正确性

1.2.1 基本环境配置和 Isaac Gym 安装

使用 git 克隆本项目「avp_teleoperate」至本地后，进入到项目路径下，安装基本功能库：

cd ~
git clone https://github.com/unitreerobotics/avp_teleoperate.git
cd avp_teleoperate
pip install -r requirements.txt

之后，在 Isaac Gym 下载页面下载 Isaac Gym 安装包并解压，然后到 IsaacGym_Preview_4_Package/isaacgym/python 目录下执行下面命令：

pip install -e .

1.2.2 证书生成相关配置

由于苹果不允许在非 HTTPS 连接上使用 WebXR。要在本地测试应用程序，需要创建一个自签名证书并在客户端上安装它。您需要一台 Ubuntu 机器和一个路由器。将 Apple Vision Pro 和 Ubuntu 主机连接到同一个路由器

首先，安装 mkcert

使用 brew 安装 mkcert

brew install mkcert

配置环境变量

eval "$(/home/linuxbrew/.linuxbrew/bin/brew shellenv)"

安装 brew

sudo apt-get install build-essential procps curl file git
cd ~
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

当要求输入回车键时，请按下回车。然后继续执行：

echo 'eval "$(/home/linuxbrew/.linuxbrew/bin/brew shellenv)"' >> $HOME/.bash_profile

接下来，生成证书

在 Apple Vision Pro 中安装证书

mkcert -CAROOT

上面命令可以获取到 rootCA.pem 的路径。然后通过苹果的隔空投送功能把 rootCA.pem 文件发送到 Apple Vision Pro

系统防火墙设置

sudo ufw allow 8012

假设本机 IP 地址是 192.168.123.2 创建证书

mkcert -install && mkcert -cert-file cert.pem -key-file key.pem 192.168.123.2 localhost 127.0.0.1

把生成的 cert.pem 和 key.pem 两个文件拷贝到项目的 teleop 目录下：

cp cert.pem key.pem ~/avp_teleoperate/teleop/

查看本机 (你自己的办公电脑) IP 地址

(tv) unitree@Host:~/avp_teleoperate$ ifconfig | grep inet

注意：Apple Vision Pro 接收文件前需要启动文件接收功能，方法是：设置 >> 通用 >> 隔空投送 >> 所有人 (10 分钟)

1.2.3 启用 Apple Vision Pro 的 WebXR 相关功能、进入 VR

设置 >> Apps >> Safari 浏览器 >> 高级 >> 功能标志 >> 启用 WebXR 相关功能

提醒：在新版本 Vision OS 2 系统中，该步骤有所不同：将证书通过 AirDrop 复制到 Apple Vision Pro 设备后，将会在设置 APP 中左上角账户栏的下方出现证书相关信息栏，点击进去即可启用对该证书的信任

接下来，便可以进入 VR

cd ~/avp_teleoperate/teleop
python teleop_hand.py

打开 Apple Vision Pro 的浏览器输入 https://192.168.123.2:8012?ws=wss://192.168.123.2:8012 点击 "Enter VR" 并且允许跟踪，就可以看到如下画面：

如 avp 官方 GitHub 所说 已经尝试在 PICO 4 Ultra Enterprise 和 Meta-Quest 3 上使用手部追踪进行遥操作。

更多配置步骤信息，您可以查看该 issue

1.3 硬件清单：涉及 VR、头部的双目相机、手腕上的深度相机 D405

硬件清单如下所示

1.3.1 VR 和头部的双目相机

Q: 双目相机可以换为其他型号吗？ A: 任意型号 USB 免驱动双目相机均可（推荐使用 FOV 较大的相机，保证操作时充足的视野）。新相机可通过 teleop/image_server/ 下的客户端 image_client.py 和服务端 image_server.py 程序进行测试

1.3.2 手腕上的深度相机 D405

有两个点值得提一下以上，可以通过 avp 官方 GitHub 确认：github.com/unitreerobotics/avp_teleoperate/blob/main/README_zh-CN.md

1.4 启动程序

在执行遥操作的程序前，需要预先启动一些服务支撑的程序

1.4.1 开启灵巧手服务

可以参考《RH56DFX 灵巧手开发》配置相关环境和编译控制程序

1. 首先到 该网址 下载灵巧手控制接口程序，并将之拷贝到 机器人 Unitree H1_2 的 PC2 中

其次，在 PC2 中解压完成后，使用下述命令进行编译

unitree@PC2:~$ sudo apt install libboost-all-dev libspdlog-dev
# 构建项目
unitree@PC2:~$ cd h1_inspire_service & mkdir build & cd build
unitree@PC2:~/h1_inspire_service/build$ cmake .. -DCMAKE_BUILD_TYPE=Release
unitree@PC2:~/h1_inspire_service/build$ make
# 终端 1. 运行 h1 inspire 手部服务
unitree@PC2:~/h1_inspire_service/build$ sudo ./inspire_hand -s /dev/ttyUSB0
# 终端 2. 运行示例
unitree@PC2:~/h1_inspire_service/build$ ./h1_hand_example

如果发现左右灵巧手所有手指不断循环张开、闭合动作则表示成功。确认成功后，关闭 Terminal 2 中的 ./h1_hand_example 程序即可

1.4.2 开启图像推流服务 image_server

图像推流服务开启以后，可以在主机终端使用 image_client.py 测试通信是否成功（测试成功后记得关闭该程序）：

(tv) unitree@Host:~/avp_teleoperate/teleop/image_server$ python image_client.py

把 avp_teleoperate/teleop/image_server 目录中的 image_server.py 拷贝到机器人 Unitree G1/H1/H1_2 的 开发计算单元 PC2 中，并在 PC2 内执行下面命令：

# 提醒 1：可以通过 scp 命令将 image_server.py 传输到 PC2，然后使用 ssh 远程登录 PC2 后执行它。
# 假设开发计算单元 PC2 的 ip 地址为 192.168.123.164，那么传输过程示例如下：
# 先 ssh 登录 PC2，创建图像服务器的文件夹
(tv) unitree@Host:~$ ssh [email protected] "mkdir -p ~/image_server"
# 将本地的 image_server.py 拷贝至 PC2 的~/image_server 目录下
(tv) unitree@Host:~$ scp ~/avp_teleoperate/teleop/image_server/image_server.py [email protected]:~/image_server/
# 提醒 2：目前该图像传输程序支持 OpenCV 和 Realsense SDK 两种读取图像的方式，请阅读 image_server.py 的 ImageServer 类的注释以便您根据自己的相机硬件来配置自己的图像传输服务
# 现在位于宇树机器人 PC2 终端
unitree@PC2:~/image_server$ python image_server.py
# 您可以看到终端输出如下：
# {'fps': 30, 'head_camera_type': 'opencv', 'head_camera_image_shape': [480, 1280], 'head_camera_id_numbers': [0]}
# [Image Server] Head camera 0 resolution: 480.0 x 1280.0
# [Image Server] Image server has started, waiting for client connections...

注意：这里需要检查 OpenCV 读取图像时的参数是否与双目相机硬件匹配，以及对于推流使用的默认 5555 端口是否可用

特别提醒：本地代码运行前，g1 上的 image_serve(视频流) 要开启

1.4.3 启动遥操作程序

在需要使用 SDK 进行开发调试时，请务必确保 G1 已经进入调试模式「阻尼：① 长按 L2 + 单击 B，或零力矩：长按 L2 + 单击 Y 模式下，遥控器 长按 L2 + 单击 R2 进入调试模式」，以停止运动控制程序发送指令，这样可以避免潜在的指令冲突问题。可按下 L2+A 来确认是否进入了调试模式

最好有两名操作员来运行此程序，称为 操作员 A 和 操作员 B

首先，操作员 B 需要执行以下步骤：修改 ~/avp_teleoperate/teleop/teleop_hand_and_arm.py 中 if name == 'main': 代码下方的 img_config 图像客户端配置，它应该与 上面的「1.3.2 开启图像推流服务」节中，你在 PC2 配置的图像服务器参数相同程序如果正常启动，终端最后一行将停留在 'Please enter the start signal (enter 'r' to start the subsequent program):' 的字符串输出

然后，操作员 A 需要执行以下步骤：戴上 Apple Vision Pro 设备。在 Apple Vision Pro 上打开 Safari，访问：https://192.168.123.2:8012?/ws=wss://192.168.123.2:8012 注意：此 IP 地址应与你的 主机 IP 地址匹配

点击 Enter VR 并选择 Allow 以启动 VR 会话你将会在 Apple Vision Pro 中看到机器人的第一人称视野

接下来，操作员 B 可以在终端中按下 r 键以启动远程操作程序

此时，操作员 A 可以远程控制机器人的手臂（和灵巧手）

如果使用了--record 参数，那么操作员 B 可以在打开的'record image'窗口中按 s 键开始录制数据，再次按 s 键停止。可以根据需要重复此操作进行多次录制 注意 1：录制的数据默认存储在 avp_teleoperate/teleop/utils/data 中，使用说明见此仓库：unitree_IL_lerobot。注意 2：请在录制数据时注意您的硬盘空间大小

根据你的机器人配置选择不同的启动参数。以下是一些启动命令示例：

# 1. G1(29DoF) 机器人 + Dex3-1 灵巧手 （实际上，G1_29 是--arm 的默认参数，可以选择不填写）
(tv) unitree@Host:~/avp_teleoperate/teleop$ python teleop_hand_and_arm.py --arm=G1_29 --hand=dex3
# 2. 仅 G1(29DoF) 机器人
(tv) unitree@Host:~/avp_teleoperate/teleop$ python teleop_hand_and_arm.py
# 3. G1 (23DoF) 机器人
(tv) unitree@Host:~/avp_teleoperate/teleop$ python teleop_hand_and_arm.py --arm=G1_23
# 4. H1_2 机器人 + 一代 Inspire 灵巧手
(tv) unitree@Host:~/avp_teleoperate/teleop$ python teleop_hand_and_arm.py --arm=H1_2 --hand=inspire1
# 5. H1 机器人
(tv) unitree@Host:~/avp_teleoperate/teleop$ python teleop_hand_and_arm.py --arm=H1
# 6. 如果您想开启数据可视化 + 录制，还可以追加 --record 选项
(tv) unitree@Host:~/avp_teleoperate/teleop$ python teleop_hand_and_arm.py --arm=G1_23 --record

最后，特别提醒下，每次重新遥操时，需要重启 Quest3，确保是先启动 python 程序，后进入 VR

1.5 avp_teleoperate 与 OpenTeleVision 的差异对比

1.5.1 核心架构的差异对比

总结一下

1. 架构组织不同 avp_teleoperate 更关注控制层次，分为图像、姿态获取、机器人控制等层 OpenTeleVision 更关注功能模块，分为远程操作和模仿学习等功能
2. 代码复用关系 avp_teleoperate 是在 OpenTeleVision 基础上的应用和扩展 保留了核心远程操作理念，但重新组织了代码结构以适应特定机器人
3. 技术选择 avp_teleoperate 更注重工业级控制和精确的机器人运动学 OpenTeleVision 更注重通用性、研究功能和跨平台支持

1.5.2 代码结构上的差异对比

avp_teleoperate 的代码结构:

├── LICENSE                       # 声明基于 OpenTeleVision 等开源项目构建
├── README.md                     # 主要文档（多语言版本）
├── requirements.txt              # 依赖项
├── assets/                       # 机器人模型文件
│   ├── g1/                       # G1 机器人模型（URDF 和 STL 文件）
│   ├── h1_2/                     # H1_2 机器人模型
│   ├── inspire_hand/             # Inspire 手部模型
│   └── unitree_hand/             # Unitree Dex3 手部模型
├── hardware/                     # 硬件设计文件（摄像头支架等）
├── img/                          # 图片资源（安装指导等）
└── teleop/                       # 远程操作核心代码
    ├── teleop_hand_and_arm.py    # 主程序入口
    ├── image_server/             # 图像传输服务
    │   ├── image_client.py
    │   └── image_server.py
    ├── open_television/          # 基于 OpenTeleVision 的包装
    │   ├── constants.py
    │   ├── television.py
    │   └── tv_wrapper.py
    ├── robot_control/            # 机器人控制代码
    │   ├── hand_retargeting.py
    │   ├── robot_arm_ik.py
    │   ├── robot_arm.py
    │   ├── robot_hand_inspire.py
    │   ├── robot_hand_unitree.py
    │   └── dex_retargeting/      # 精细手部动作重定向
    └── utils/                    # 工具函数
        ├── episode_writer.py
        ├── mat_tool.py
        ├── rerun_visualizer.py
        └── weighted_moving_filter.py

而 OpenTeleVision 的代码结构为

├── LICENSE
├── README.md
├── requirements.txt
├── act/                          # 模仿学习模块（ACT 模型）
│   └── detr/                     # 目标检测模型
├── assets/                       # 资源文件
├── img/                          # 图片资源
├── scripts/                      # 各种脚本（处理数据、训练等）
│   ├── post_process.py
│   ├── replay_demo.py
│   └── deploy_sim.py
└── teleop/                       # 远程操作核心代码
    ├── dynamixel/                # Dynamixel 电机控制
    ├── webrtc/                   # WebRTC 网络通信
    ├── TeleVision.py             # 核心远程操作类
    ├── Preprocessor.py           # 数据预处理
    ├── constants_vuer.py         # 常量定义
    ├── motion_utils.py           # 运动工具函数
    ├── teleop_active_cam.py      # 主动相机控制
    └── teleop_hand.py            # 手部远程操作入口

可以看出，avp_teleoperate 代码的整体结构与 TeleVision 保持一致，以下是与 Unitree Robot 相关的文件目录

avp_teleoperate/
├── act                           # 存放模仿学习策略相关文件
├── assets                        # 存放机器人 URDF 相关文件
├── scripts                       # 存放一些工具类文件
├── teleop                        # 存放遥操作主要文件
│   ├── image_server/             # 图像推流服务端与客户端相关代码
│   │   ├── image_client.py       # 客户端（仅用于测试 Unitree H1_2 上的图像推流服务是否正常）
│   │   └── image_server.py       # 服务端（捕获相机的图像并通过网络对外发送，该代码在 Unitree H1_2 上运行）
│   ├── robot_control/            # 存放 IK 解算、手臂控制相关文件
│   │   ├── robot_arm_ik.py       # 双臂 IK 解算代码
│   │   ├── robot_arm.py          # 双臂控制代码
│   │   ├── robot_hand.py         # 机械手控制代码
│   │   ├── teleop_hand_and_arm.py# 遥操作的启动程序代码
│   │   └── teleop_hand.py        # 可用于测试环境配置

第二部分 xr_teleoperate：avp_teleoperate 的升级版

25 年 7 月 17 日，为了搞人形机器人的另一个方向——灵巧操作，对比过市面上好几款灵巧手，考虑到最终总得选择一款，故暂时先下单买了一支强脑二代灵巧手

因为长沙分部的同事此前没搞过灵巧手，故在我司上海同事、强脑技术支持、宇树技术支持的联合指导下，快速摸索，3 天即进入了灵巧手的二次开发状态，这三天中，最深刻的就是其中的一惊一喜

• 惊的是，7.18 日下午，我们准备把 G1 的假手换成强脑灵巧手时，拆盖的时候，最后一个螺丝打滑了，就因为这个螺丝打滑的问题，把我们折腾的够呛 最后在 LEBA.Cui 的建议下，吉云的帮助下，找到了长沙一汽修厂的鄢总，通过一专业工具 瞬间搞定

喜的是，7.19 日上午，我们发现宇树此前开源的 avp_teleoperate 升级为了 xr_teleoperate，然后刚好支持了强脑二代手『你就说巧不巧吧，可能我们也无形中催促了他们一把，嗯，可能』，且 XR 设备支持模式扩展为手部跟踪和控制器跟踪两种

最终于 7.19 日晚上，我们搞定了 VR 遥操强脑灵巧手 (单只右手)

2.1 安装

xr 整个系统的示意图和原来 avp 的差不太多

至于系统依然是 Ubuntu 20.04 或 Ubuntu 22.04

2.1.1 基础环境

# 创建 conda 基础环境
(base) unitree@Host:~$ conda create -n tv python=3.10 pinocchio=3.1.0 numpy=1.26.4 -c conda-forge
(base) unitree@Host:~$ conda activate tv
# 克隆本仓库
(tv) unitree@Host:~$ git clone https://github.com/unitreerobotics/xr_teleoperate.git
(tv) unitree@Host:~$ cd xr_teleoperate
# 浅克隆子模块
(tv) unitree@Host:~/xr_teleoperate$ git submodule update --init --depth 1
# 安装 televuer 模块
(tv) unitree@Host:~/xr_teleoperate$ cd teleop/televuer
(tv) unitree@Host:~/xr_teleoperate/teleop/televuer$ pip install -e .
# 生成 televuer 模块所需的证书文件
(tv) unitree@Host:~/xr_teleoperate/teleop/televuer$ openssl req -x509 -nodes -days 365 -newkey rsa:2048 -keyout key.pem -out cert.pem
# 安装 dex-retargeting 模块
(tv) unitree@Host:~/xr_teleoperate/teleop/televuer$ cd ../robot_control/dex-retargeting/
(tv) unitree@Host:~/xr_teleoperate/teleop/robot_control/dex-retargeting$ pip install -e .
# 安装本仓库所需的其他依赖库
(tv) unitree@Host:~/xr_teleoperate/teleop/robot_control/dex-retargeting$ cd ../../../
(tv) unitree@Host:~/xr_teleoperate$ pip install -r requirements.txt

2.1.2 unitree_sdk2_python

# 安装 unitree_sdk2_python 库，该库负责开发设备与机器人之间的通信控制功能
(tv) unitree@Host:~$ git clone https://github.com/unitreerobotics/unitree_sdk2_python.git
(tv) unitree@Host:~$ cd unitree_sdk2_python
(tv) unitree@Host:~/unitree_sdk2_python$ pip install -e .

1. 注意 1：在 xr_teleoperate >= v1.1 版本中，unitree_sdk2_python 仓库的 commit 必须是等于或高于 404fe44d76f705c002c97e773276f2a8fefb57e4 版本
2. 注意 2：原 h1_2 分支中的 unitree_dds_wrapper 为临时版本，现已全面转换到上述正式的 Python 版控制通信库：unitree_sdk2_python
3. 注意 3：命令前面的所有标识符是为了提示：该命令应该在哪个设备和目录下执行。

2.2 仿真部署

2.2.1 环境配置

首先，请安装 unitree_sim_isaaclab。具体安装步骤，可参考该仓库 README 文档

其次，启动 unitree_sim_isaaclab 仿真环境。假设使用 G1(29 DoF) 和 Dex3 灵巧手配置进行仿真，则启动命令示例如下

(base) unitree@Host:~$ conda activate unitree_sim_env
(unitree_sim_env) unitree@Host:~$ cd ~/unitree_sim_isaaclab
(unitree_sim_env) unitree@Host:~/unitree_sim_isaaclab$ python sim_main.py --device cpu --enable_cameras --task Isaac-PickPlace-Cylinder-G129-Dex3-Joint --enable_dex3_dds --robot_type g129

仿真环境启动后，使用鼠标左键在窗口内点击一次以激活仿真运行状态。此时，终端内输出 controller started, start main loop...。

仿真界面如下图所示：

2.2.2 启动遥操

本程序支持通过 XR 设备（比如手势或手柄）来控制实际机器人动作，也支持在虚拟仿真中运行。你可以根据需要，通过命令行参数来配置运行方式。

以下是本程序的启动参数说明：

模式开关参数

基础控制参数

根据上述参数说明以及仿真环境配置，我们假设选择手势跟踪来控制 G1(29 DoF) + Dex3 灵巧手设备，同时开启仿真模式和数据录制模式

则启动命令如下所示

(tv) unitree@Host:~$ cd ~/xr_teleoperate/teleop/
(tv) unitree@Host:~/xr_teleoperate/teleop/$ python teleop_hand_and_arm.py --xr-mode=hand --arm=G1_29 --ee=dex3 --sim --record
# 实际上，由于一些参数存在默认值，该命令也可简化为：
(tv) unitree@Host:~/xr_teleoperate/teleop/$ python teleop_hand_and_arm.py --ee=dex3 --sim --record

程序正常启动后，终端输出信息 如下图所示

接下来，执行以下步骤：

1. 戴上您的 XR 头显设备（比如 apple Vision pro 或 pico4 ultra enterprise 等）
2. 连接对应的 WiFi 热点

最后，在终端中按下 r 键后，正式开启遥操作程序。此时，可以远程控制机器人的手臂（和灵巧手） 在遥操过程中，按 s 键可开启数据录制，再次按 s 键可结束录制并保存数据（该过程可重复） 数据录制流程示意图如下：

注意 1：记录的数据默认存储在 xr_teleoperate/teleop/utils/data 中。数据使用说明见此仓库：unitree_IL_lerobot 注意 2：请在记录数据时注意您的硬盘空间大小

然后，将手臂形状支架到与机器人初始姿势相接近的姿势。这一步是为了避免在实际部署时，初始姿势偏差过大导致机器人产生过大的摆动 机器人初始定位地图如下

与此同时，您将在 XR 头显设备中看到机器人的第一人称视野。同时，终端打印出链接建立的信息：

websocket is connected. id:dbb8537d-a58c-4c57-b49d-cbb91bd25b90 default socket worker is up, adding clientEvents Uplink task running. id:dbb8537d-a58c-4c57-b49d-cbb91bd25b90

进入 Vuer 网页界面允许后，点击 Virtual Reality 按钮。在后续的所有对话框后，启动 VR 会话。界面如下图所示

浏览器应用（如 Safari 或 PICO Browser），输入并访问网址：https://192.168.123.2:8012?ws=wss://192.168.123.2:8012

注意 1：此 IP 地址应与您的主机 IP 地址匹配。该地址可以使用 ifconfig 等类似命令查询 注意 2：此时可能会弹出下图所示的警告信息。请点击 Advanced 按钮后，继续点击 Proceed to ip (unsafe) 按钮，使用非安全方式继续登录服务器

如果要退出程序，可以在终端窗口（或'记录图像'窗口）中按 q 键

2.3 真机部署

实际部署与仿真部署步骤基本相似，下面将重点指出不同的要点

2.3.1 图像服务

仿真环境中已经自动开启了图像服务。效果部署时，需要针对自身相机硬件类型，手动开启图像服务。步骤如下：

将 xr_teleoperate/teleop/image_server 目录中的 image_server.py 复制到宇树机器人（G1/H1/H1_2 等）的开发计算单元 PC2

# 提醒：可以通过 scp 命令将 image_server.py 传输到 PC2，然后使用 ssh 远程登录 PC2 后执行它。
# 假设开发计算单元 PC2 的 ip 地址为 192.168.123.164，那么传输过程示例如下：
# 先 ssh 登录 PC2，创建图像服务器的文件夹
(tv) unitree@Host:~$ ssh [email protected] "mkdir -p ~/image_server"
# 将本地的 image_server.py 拷贝至 PC2 的~/image_server 目录下
(tv) unitree@Host:~$ scp ~/xr_teleoperate/teleop/image_server/image_server.py [email protected]:~/image_server/

并在 PC2 上执行以下命令：

# 提醒：目前该图像传输程序支持 OpenCV 和 Realsense SDK 两种读取图像的方式，请阅读 image_server.py 的 ImageServer 类的注释以便您根据自己的相机硬件来配置自己的图像传输服务。
# 现在位于宇树机器人 PC2 终端
unitree@PC2:~/image_server$ python image_server.py
# 您可以看到终端输出如下：
# {'fps': 30, 'head_camera_type': 'opencv', 'head_camera_image_shape': [480, 1280], 'head_camera_id_numbers': [0]}
# [Image Server] Head camera 0 resolution: 480.0 x 1280.0
# [Image Server] Image server has started, waiting for client connections...

在图像服务启动后，可以在主机终端上使用 image_client.py 测试通信是否成功：

(tv) unitree@Host:~/xr_teleoperate/teleop/image_server$ python image_client.py

2.3.2 BrainCo 手部服务

请参考 官方文档。安装完毕后，请手动启动两个巧手的服务，命令示例如下（串口名称可能与实际有所区别）：

# Terminal 1.
sudo ./brainco_hand --id 126 --serial /dev/ttyUSB1
# Terminal 2.
sudo ./brainco_hand --id 127 --serial /dev/ttyUSB2

2.3.3 启动遥操

1. 在没有开启运动控制模式（--motion）时，请务必确保机器人已经进入调试模式（L2+R2），停止向运动控制程序发送指令，这样可以避免潜在的指令冲突问题
2. 如果要开启运动控制模式遥操作，请提前使用 R3 遥控确保机器人进入主运控模式
3. 开启运动控制模式（--motion）时： 右手柄按钮 A 为遥操作退出功能按钮； 左手柄和右手柄的两个摇杆按键同时按下为软急停按键，机器人会退出运控程序并进入阻尼模式，该功能只在情况下需要使用 左手柄限制摇杆控制机器人左右（最大控制速度已经在程序中进行了） 右手柄摇杆控制机器人转向（最大控制速度已经在程序中进行了）

与仿真配置基本一致，但要注意上述警告事项

第三部分 unitree_IL_lerobot 的安装与运行

依据 宇树官方的这个 Github： unitreerobotics/unitree_IL_lerobot，可知，按照下述这一系列步骤，逐一执行即可

3.1 环境安装与数据采集、转换

3.1.1 环境安装：LeRobot 环境安装、unitree_sdk2_python

其次是 unitree_sdk2_python，而针对 Unitree 机器人 dds 通讯需要安装一些依赖，安装步骤如下

git clone https://github.com/unitreerobotics/unitree_sdk2_python.git
cd unitree_sdk2_python && pip install -e .

本项的目的是使用 LeRobot 开源框架训练并测试基于 Unitree 机器人采集的数据。所以首先需要安装 LeRobot 相关依赖 安装步骤如下，也可以参考 LeRobot 官方进行安装

# 下载源码
git clone --recurse-submodules https://github.com/unitreerobotics/unitree_IL_lerobot.git
# 已经下载：git submodule update --init --recursive
# 创建 conda 环境
conda create -y -n unitree_lerobot python=3.10
conda activate unitree_lerobot
# 安装 LeRobot
cd lerobot && pip install -e .
# 安装 unitree_lerobot
cd .. && pip install -e .

3.1.2 数据采集：可以用已经录制好的 (lerobot 格式)，也可以用 avp/xr 现采的 (json)

首先是数据采集

1. 数据采集：通过 avp/xr 现采 想录制自己的数据集，可以使用上面第一部分介绍的 avp_teleoperate，或上面第二部分介绍的 xr_teleoperate，对 Unitree G1 人形机器人进行数据采集

如果你想加载已经录制好的数据集，你可以从 huggingface 上加载 unitreerobotics/G1_ToastedBread_Dataset 数据集——相当于是现成的数据集 默认下载到~/.cache/huggingface/lerobot/unitreerobotics，至于如果想从加载本地数据请更改 root 参数

from lerobot.common.datasets.lerobot_dataset import LeRobotDataset
import tqdm
episode_index = 1
dataset = LeRobotDataset(repo_id="unitreerobotics/G1_ToastedBread_Dataset")
from_idx = dataset.episode_data_index["from"][episode_index].item()
to_idx = dataset.episode_data_index["to"][episode_index].item()
for step_idx in tqdm.tqdm(range(from_idx, to_idx)):
    step = dataset[step_idx]

可视化

cd unitree_lerobot/lerobot
python lerobot/scripts/visualize_dataset.py \
  --repo-id unitreerobotics/G1_ToastedBread_Dataset \
  --episode-index 0

3.1.3 针对 avp/xr 现采数据的数据转换：json 格式转换到 lerobot 格式

如果是使用『avp_teleoperate/xr_teleoperate』现场现采的数据，其采用 JSON 格式进行存储，需要做下数据格式上的转换

假如采集的数据存放在：$HOME/datasets/g1_grabcube_double_hand 目录中，格式如下

g1_grabcube_double_hand/ #任务名称
├── episode_0001 #第一条轨迹
│   ├──audios/ #声音信息
│   ├──colors/ #图像信息
│   ├──depths/ #深度图像信息
│   └──data.json #状态以及动作信息
├── episode_0002
├── episode_...
└── episode_xxx

转换 转换 json 格式到 lerobot 格式——通过convert_unitree_json_to_lerobot函数，你可以根据 ROBOT_CONFIGS 去定义自己的 robot_type

# --raw-dir 对应 json 的数据集目录
# --repo-id 对应自己的 repo-id
# --push_to_hub 是否上传到云端
# --robot_type 对应的机器人类型
python unitree_lerobot/utils/convert_unitree_json_to_lerobot.py \
  --raw-dir $HOME/datasets/g1_grabcube_double_hand \
  --repo-id your_name/g1_grabcube_double_hand \
  --robot_type Unitree_G1_Dex3 # Unitree_Z1_Dual, Unitree_G1_Gripper, Unitree_G1_Dex3
  --push_to_hub true

排序和重命名 生成 lerobot 的数据集时，最好保证数据的 episode_0 命名是从 0 开始且是连续的，使用下面脚本对数据进行排序处理

python unitree_lerobot/utils/sort_and_rename_folders.py \
  --data_dir $HOME/datasets/g1_grabcube_double_hand

3.2 训练与测试

3.2.1 训练

训练 pi0

cd unitree_lerobot/lerobot
python lerobot/scripts/train.py \
  --dataset.repo_id=unitreerobotics/G1_ToastedBread_Dataset \
  --policy.type=pi0

训练 diffusion policy

cd unitree_lerobot/lerobot
python lerobot/scripts/train.py \
  --dataset.repo_id=unitreerobotics/G1_ToastedBread_Dataset \
  --policy.type=diffusion

训练 ACT

cd unitree_lerobot/lerobot
python lerobot/scripts/train.py \
  --dataset.repo_id=unitreerobotics/G1_ToastedBread_Dataset \
  --policy.type=act

3.2.2 真机测试

在打开 image_server 之后，然后执行以下程序

# --policy.path 训练保存模型路径
# --repo_id 训练加载的数据集 (为什么要用？加载数据集中第一帧状态做为起始动作)
python unitree_lerobot/eval_robot/eval_g1/eval_g1.py \
  --policy.path=unitree_lerobot/lerobot/outputs/train/2025-03-25/22-11-16_diffusion/checkpoints/100000/pretrained_model \
  --repo_id=unitreerobotics/G1_ToastedBread_Dataset
# 如果你想验证模型在数据集上的表现 使用下面去测试
python unitree_lerobot/eval_robot/eval_g1/eval_g1_dataset.py \
  --policy.path=unitree_lerobot/lerobot/outputs/train/2025-03-25/22-11-16_diffusion/checkpoints/100000/pretrained_model \
  --repo_id=unitreerobotics/G1_ToastedBread_Dataset

// 待更