Transformer-SRU Navigation

Unitree G1 29DOF 的分层导航强化学习：LiDAR CNN → 空间 Transformer → SRU → [vx, vy, wz]。 高层以5 Hz运行，冻结的 Unitree 低层以50 Hz执行速度指令。训练基于 Isaac Lab，支持 MuJoCo 验证和 ROS 2 部署。

• liuyisen-bin
• gaolin0621

真机避障视频	六组真机实验轨迹
观看完整视频（含声音）	查看原尺寸轨迹图

左侧为原速静音动图预览，点击可查看完整视频。右图为里程计记录：5 轮 Select 退出、 1 轮 60 秒超时；圆圈表示目标 0.5 m 范围，位置仅在高层推理时记录。

发布模型实际为 checkpoints/model_24999.pt（约25000轮训练），附带对应 ONNX、训练配置和导出元数据。 这里没有另一份名为 25000.pt 的模型；原权重未改动。网络输入为1984维，其中 LiDAR 为 16×41×3。

克隆本仓库到纯英文路径，进入仓库根目录后执行以下命令。训练与 sim2sim 只需一个 Python 3.11 环境，统一安装入口见训练文档。 仅 ROS 2 Humble 真机部署使用独立的 Python 3.10 环境。 本仓库包含训练源码、G1 URDF/mesh、冻结低层策略和高度编码器；Isaac Lab、MuJoCo 场景及 ROS 依赖按上面文档安装。

完成训练环境安装后：

# 小规模检查启动、采样和 PPO 更新
python -u training/scripts/nav/train.py --num_envs 2 --max_iterations 2 --smoke_test --headless

# 正式训练：按显存调整 num_envs
python training/scripts/nav/train.py --num_envs 2048 --max_iterations 25000 --headless

# 回放发布权重
python training/scripts/nav/play.py --num_envs 1 --checkpoint checkpoints/model_24999.pt

日志与新权重位于 logs/rsl_rl/g1_29dof_unitree_transformer_sru_ppo/。 恢复训练、版本依据及显存说明见 训练文档。

使用原来的 20 个障碍物＋两侧墙体场景，直接加载 model_24999.pt。 本次复测约 21.91 秒到达，未触发碰撞或跌倒判定。查看演示录像

完成仿真依赖和场景安装后（可复用训练环境，也可仅安装 CPU 演示依赖）：

conda activate transformer_sru  # 仅 CPU 演示环境则使用 transformer_sru_sim
bash deploy/sim2sim/run.sh
# 无窗口评估
bash deploy/sim2sim/run.sh --headless --start-delay 0 --hold 0

倒计时后自动导航，绿色圆盘为目标，Esc 退出。图形模式自动保存录像与轨迹。 该固定场景使用理想雷达，不代表总体成功率或实机表现；细节见演示说明。

实机使用附带的 model_24999.onnx，无需重新导出。按部署文档完成 传感器、网卡、外参和里程计配置，再进行只读检查及分阶段控制。仓库不提供 Livox 驱动或 SLAM； 默认不发送电机指令。离线/仿真检查不代表实机导航效果。 新训练权重的转换方法见 ONNX 导出。

• training/：任务、PPO/Transformer-SRU、资产、训练和回放入口。
• checkpoints/：24999检查点、ONNX及配套配置。
• deploy/：MuJoCo、ROS 2推理与G1控制。
• ros/src/：LiDAR适配器源码和测试。
• tools/：ONNX导出与数值核对。

发布结构参考 Unitree RL Lab、 Unitree RL Gym 和 SRU Navigation Sim。 lys 拥有并有权授权的原创贡献采用 MIT 许可证，具体见适用范围。 第三方代码、权重及资产保留原许可，来源状态见 THIRD_PARTY_NOTICES.md。