Unitree Qmini：支持个人玩家完全3D打印的低成本双足机器人

零门槛入门机器人宇树Qmini全开源，3D打印就能DIY。

具身智能新手福音宇树Unitree全面开源了一款支持完全3D打印、面向个人开发者的低成本双足机器人Qmini！别说科研大佬了，就算你是一个纯新手玩家，现在也可以用家里的3D打印机+手工工具，亲手造一个可爱的Qmini小机器人啦。

而且3到5小时组装完毕，真的像搭积木一样简单，开箱即上手，一站式开源资料合集，完整硬件BOM清单，电气系统框图，3D结构的STEP文件（支持3D打印）详细装配SOP URDF模型基础控制软件+推荐算法（适配RL入门）所有资料全开放。真正意义上的0门槛入门，全世界的机器人爱好者都能一起玩起来，配置一览性能扩展性兼得共使用11个宇树8010高可靠性电机。


10个负责运动，1个是脖子位置，可用于扩展电机是经过多款机器人实测验证的专业配置结构件几乎全3D打印，无需机加工还能DIY各种拓展部件，你想做成动漫角色、实验平台还是娱乐互动机器人，全看你的创意，主控推荐树莓派4B单板电脑官方推荐部署案例，高性价比又强大当然你也可以根据自己喜好替换主控板，应用场景多到**，个人开发者在家打印+组装，练手神器，教育场景用于教学实验、竞赛平台、论文项目，科研机构，可做动态步态研究、AI控制算法测试，文化娱乐舞台剧、动漫互动、商演机器人，宇树的理念就是让全球机器人开发者都能低门槛入门。

一起推动机器人的未来发展，创新没有边界，创造力是无限的，Qmini就是你的第一步，如果你也想做一个能动、能学、还能萌的小双足机器人，现在就可以动手了，全开源、真低门槛、只差你的3D打印机和一点点耐心。

此款双足机器人运动控制解决方案如下介绍，基于NVIDIA的Isaac Gym环境，利用深度强化学习（DRL）技术。该框架使Unitree Qmini等机器人能够学习稳健的步态技能，包括在不平坦地形上行走。为了实现从仿真到现实的平滑迁移，我们在训练过程中采用了关键技术，如域随机化和随机外部扰动。这些策略增强了训练策略在真实世界部署时的泛化能力。

代码库提供了在仿真中训练双足机器人以及在真实环境中部署所需的一切内容。此外，我们还提供了用于双足机器人高性能控制的C++部署代码。该部署框架使用ONNX Runtime进行高效推理，将PyTorch模型导出的强化学习策略转换为ONNX格式。它能够在基于Linux的边缘设备和机器人平台上实现无缝部署，提供低延迟、实时的控制，适用于现场应用。我们的代码库具有优化的推理流程，支持CPU和GPU硬件加速，并完全兼容基于Linux的机器人系统。通过这一端到端流程，Unitree Qmini等机器人可以在仿真和真实世界中受益于深度强化学习的强大能力。

其整体开源的硬件包，如下描述，包括：
1、硬件：
完整的硬件
BOM电气系统框图

2、结构：
本体结构的STEP文件
装配SOP

3、软件：
urdf
基础软件及推荐的算法

4、一站式备料：
开发者可以根据开源资料轻松集齐所有零部件，结构件可全部通过3D打印完成（几乎完全不需要任何机加工零部件），搭配宇树的高可靠性电机和标准电池，客户打印完零部件后，大概仅需要3~5小时的手工组装即可得到一只可爱的Qmini小双足机器人本体。

兼顾性能和可扩展性：这款产品共计使用了11个宇树8010电机，也是被全球多款机器人产品验证过的电机。其中10个电机用于组成主体的动力系统，另外一个顶部脖子电机用于扩展。开发者可以自行发挥想象，基于顶部脖子电机进行DIY式的扩展，设计出具有独特外形和功能的机器人。

用户友好型设计：本着好产品就要对用户简单的原则，开源了完整的软件，并力求降低成本，推荐采用高性价比主控板。在这里，官方以树莓派4代B型单板为案例来部署。开发者也可以根据自己的需要选择适合自己的主控板。

适用于多种场合：个人玩家，在家自己打印和开发；教育教学，成为学校里的竞赛竞技，实验课程，论文设计的本体；科研机构，应用于研发实验室，进行动态步态、控制算法的试验；互动娱乐，加入动漫和表演行列，成为文化行业的一员……总之，创新没有边界。宇树相信开发者的创造力是无穷的。

RoboTamer：Unitree Qmini 双足机器人训练与部署的全栈框架

山东大学 控制科学与工程学院视觉感知与智能系统实验室（VSISLab），开发了一套开源双足机器人运动控制解决方案，利用 NVIDIA Isaac Gym 环境中的深度强化学习 (DRL)。该框架使 Unitree Qmini 等机器人能够学习稳健的运动技能，包括在不平坦地形上行走。

为了实现从模拟到现实的平稳迁移，在训练过程中融入了领域随机化和随机外部扰动等关键技术。这些策略增强了训练策略在实际部署中的泛化能力。代码库提供了在模拟环境中训练双足机器人以及在实际环境中部署它们所需的一切资源。此外，还提供用于高性能双足机器人控制的 C++ 部署代码。该部署框架使用 ONNX Runtime 对从 PyTorch 模型导出为 ONNX 格式的强化学习策略进行高效推理。它支持在基于 Linux 的边缘设备和机器人平台上无缝部署，提供适用于现场应用的低延迟实时控制。

代码库拥有优化的推理流程，支持 CPU 和 GPU 硬件加速，并且与基于 Linux 的机器人系统完全兼容。借助这种端到端的流程，像 Unitree Qmini 这样的机器人无论是在模拟环境还是现实世界中，都能受益于深度强化学习的强大功能。


模拟训练：

实际部署：

附录
项目：山东大学 控制科学与工程学院视觉感知与智能系统实验室（VSISLab）
模拟训练：
https://vsislab.github.io/RoboTamer/files/web%20video/SIM1.mp4
https://vsislab.github.io/RoboTamer/files/web%20video/SIM2.mp4
https://vsislab.github.io/RoboTamer/files/web%20video/SIM3.mp4
实际部署：
https://vsislab.github.io/RoboTamer/files/web%20video/demo1.mp4
https://vsislab.github.io/RoboTamer/files/web%20video/demo2.mp4
https://vsislab.github.io/RoboTamer/files/web%20video/demo3.mp4
训练代码：https://github.com/vsislab/RoboTamer4Qmini
部署代码：https://github.com/vsislab/RoboTamerSdk4Qmini
RL算法代码：https://vsislab.github.io/RoboTamer/
项目文件：https://www.unifolm.com/#/post/735