培训回顾 | Mini Pi+ Mimic Baseline培训：开源数据集&重定向、模仿学习训练与Sim2Real

Mimic Baseline人形运动控制效果展示

► 活动回顾

2025年10月30日，由高擎机电主办的 “Mini Pi+ Mimic Baseline培训” 顺利举办，吸引了来自高校科研团队、机器人爱好者及行业开发者近百人参与。本次培训由高擎机电技术运营工程师主讲，内容涵盖开源数据集、动作重定向原理与实操、Mimic训练框架、Sim2Real部署与工程经验分享，并在高擎Mini Pi+真机上进行了实操演示。培训旨在帮助开发者深入理解模仿学习在人形机器人全身运动控制中的应用，掌握从数据到真机的完整实现路径，低门槛、高效率上手人形机器人开发。

► 亮点介绍

亮点一：提供完整可复现的 Mimic Baseline 框架

培训完整呈现了Mimic Baseline的实现流程，涵盖数据集、模型训练与真机验证等关键环节，通过理论与实操结合的方式，帮助开发者深入理解模仿学习的核心原理与关键技术实现路径。依托高擎自研的人形机器人平台，开发者可快速复现主流算法框架，并支持灵活的二次开发与实机验证。

亮点二：原理与实际工程经验结合

如GMR重定向环节，培训系统讲解了机器人坐标系与旋转变换，并深入解析了欧拉角与四元数在姿态表示中的应用。结合GMR重定向过程，展示了从动作捕捉数据格式转换，到骨架比例调整与运动学逆解的完整实现路径，从原理角度指导人形数据重定向的优化实现。

亮点三：高擎开源数据集

培训中，我们使用Lafan数据集进行动作重定向，旨在解决开发者常遇到的穿模问题以及human_action与机器人动作的关节对齐问题，提供可直接上手、坐标轴漂移较少的高质量数据集。未来我们将同步Amass数据集及其他动捕数据集至官方GitHub，供开发者参考。在运动数据处理方面，培训讲解了针对Pi+机器人骨架，如何结合IK重定向算法文件调整比例、偏移量、四元数等参数，并详细说明各参数修改所产生的效果，力求实现人机动作重定向的高精度匹配。

► 培训回放链接

【Mimic Baseline线上培训回放：数据集、重定向、训练与Sim2Real-哔哩哔哩】https://b23.tv/ErLpw8I

► 现场答疑与关键问题

在机器人仿真训练中，PD参数匹配、指令定义、动捕数据集处理是开发者普遍遇到的高频痛点。以下为培训中几类典型问题的总结与解答：

Q1：PD参数不是在训练中找的，那该怎么获取？

关键在于参数辨识：

1.发送周期性位置信号（如三角函数信号）给各关节电机，让其跟踪目标位置

2.重点关注高负载关节（如踝关节）——此类关节承受全身力矩与冲击，是验证跟踪效果的关键

3.将实测PD值回填至仿真模型，可显著缩小模拟与真实系统之间的性能差距（gap）强化学习的鲁棒性可一定程度上抵消参数偏差，但真实PD值能让训练效率与收敛效果成倍提升。

Q2：源代码中的“command=44”是什么意思？与传统RL中的指令有什么区别？

这里的command并非传统RL或AMP框架中的速度对抗指令，而是基于参考动作数据的模仿学习输入：

1.机器人共22个自由度，每个自由度包含“角度+速度”2个维度

2.因此：22×2=44维参考动作特征

该设计的核心在于让机器人学习“姿态与动态”的模仿，而非单纯对抗速度目标。

Q3：IMU类动捕设备收集的数据集，坐标轴不标准怎么办？

可根据精度需求，分为两种处理方式：

1.高精度需求（科研/工程验证）

1）查看数据集起始姿态，定义“标准姿态”

2）参考如 Lafan 等标准数据集的关节坐标规范

3）对动捕数据进行姿态校正或调整机器人关节方向，以对齐标准坐标系

2.普通需求（展示/初步验证）

直接确保机器人动作与数据集姿态肉眼大致一致即可，无需复杂校正。统一的坐标规范能显著提升数据可复用性与模型迁移稳定性。

► 下一步计划

高擎机电开放Sim2Real实验空间（北京、广州），邀请更多开发者亲手体验机器人从仿真到真机的全过程。欢迎添加微信联系方式，预约线下交流与体验！（微信号：dionysuslearning）

同时我们也全面开放实习岗位——机械、运控、产品和运营等方向均在招募中！诚挚欢迎热爱机器人研发与创新的同学加入我们，共同探索人形机器人的未来。

我们致力于

让每一位开发者都拥有自己的人形机器人

培训回顾 | Mini Pi+ Mimic Baseline培训：开源数据集&重定向、模仿学习训练与Sim2Real

为机器人行业创造新的可能