第 2.1 节: 机器人仿真环境选择与配置 (Gazebo, MuJoCo, PyBullet)

在真实机器人硬件上进行开发和测试既耗时又存在风险（硬件损坏、安全问题）。机器人仿真环境提供了一个虚拟的沙盒，让开发者能够在计算机中模拟机器人的物理行为、传感器读数和环境互动，极大地加速了开发、测试和调试过程。特别是对于像人形机器人这样复杂的平台，先在仿真环境中验证算法是必不可少的步骤。

本节将介绍几种主流的机器人仿真环境，分析它们的特点和对 Python 的支持，并推荐适合 G1 人形机器人足球项目的平台，指导你如何通过 Python 接口控制仿真机器人。

2.1.1 介绍不同仿真环境的特点、优劣势及其对 Python 的支持程度

选择合适的仿真环境取决于你的项目需求、对物理精度的要求以及偏好的开发生态系统。以下是几种常见的机器人仿真器：

1. Gazebo

   • 特点: 功能强大的 3D 动态仿真器，集成了高性能的物理引擎（如 ODE, Bullet, Simbody, DART），先进的图形渲染，以及丰富的传感器模型仿真（摄像头、Lidar、IMU、力/力矩传感器等）。特别值得一提的是，Gazebo 与 ROS (Robot Operating System) 深度集成，是 ROS 生态系统中最常用的仿真器。
   • 优劣势:
     • 优势: 与 ROS 集成紧密，易于模拟基于 ROS 的真实机器人系统；仿真传感器模型丰富且真实；支持多种机器人模型格式（URDF, SDF）；拥有庞大的用户社区和资源；适合复杂场景和多机器人仿真；可视化效果较好。
     • 劣势: 安装和配置可能相对复杂，尤其是在非 Ubuntu 系统上；对计算机硬件要求较高；有时物理仿真精度需要仔细调整；XML 格式的机器人和世界文件（URDF/SDF）可能比较冗长。
   • Python 支持程度: Gazebo 本身不是直接用 Python 控制的。你通常通过 ROS 的 Python API (rospy) 来与 Gazebo 中的机器人模型交互。例如，通过 ROS 话题发送关节指令，订阅传感器数据，或者调用 ROS 服务来控制仿真环境（如生成物体）。通过 ros_control 等 ROS 包，Python 可以非常方便地控制 Gazebo 中的关节执行器。对 Python 的支持非常成熟，但依赖于 ROS。

2. MuJoCo (Multi-Joint dynamics with Contact)

   • 特点: 一个物理仿真引擎，专注于高性能、高精度的物理模拟，特别擅长处理复杂的接触动力学。它最初是为机器人控制和生物力学研究设计的，在强化学习 (Reinforcement Learning - RL) 领域因其稳定的物理表现而备受青睐。
   • 优劣势:
     • 优势: 物理仿真速度快且精度高，尤其在处理接触和约束方面表现出色；对于需要精确物理模型的控制和 RL 任务非常适用；有官方提供的 Python 接口。
     • 劣势: 相比 Gazebo，原生可视化功能较弱（虽然可以与其他渲染库结合）；对标准机器人软件框架（如 ROS）的原生支持不如 Gazebo ；搭建复杂的环境和传感器模型可能不如 Gazebo 直观方便；虽然现在是开源的，但曾经是商业软件，用户群体在通用机器人应用方面可能不如 Gazebo 广泛。
   • Python 支持程度: 官方提供高质量的 Python 绑定，可以直接在 Python 环境中初始化仿真、加载模型、运行物理步进、获取状态和发送控制指令。对 Python 的支持非常直接和高效。

3. PyBullet

   • 特点: 开源的 Python 库，提供快速的物理仿真（基于 Bullet 物理引擎）和 OpenGL 渲染。它设计得易于安装和使用，特别适合快速原型开发、机器人学入门教学以及强化学习。
   • 优劣势:
     • 优势: 完全基于 Python，安装和使用极其方便 (pip install pybullet)；物理仿真速度快，适合大规模实验（如 RL）；支持常见的机器人模型格式 (URDF, SDF, MJCF)；内置可视化工具；可以进行软体物理仿真；对 Python 的支持非常原生和友好。
     • 劣势: 相比 Gazebo，传感器模型和环境编辑功能相对基础；可视化效果可能不如 Gazebo 精致；社区和生态系统不如 Gazebo 庞大（但在 RL 领域很受欢迎）；与 ROS 的集成不如 Gazebo 紧密（虽然可以通过桥接实现）。
   • Python 支持程度: 原生 Python 库，所有功能都通过 Python API 调用实现。对 Python 的支持是其最大的特点和优势之一。

2.1.2 选择适合 G1 和足球项目的仿真平台 (推荐 Gazebo + ROS 或 PyBullet)

考虑到 G1 人形机器人可能使用的软件栈以及足球项目的需求，我们推荐以下平台：

• 首选推荐: Gazebo + ROS

  • 理由:
    • 与 G1 实际平台的高匹配度: Unitree Robotics 的机器人通常提供 ROS 支持。如果在仿真环境中使用 Gazebo + ROS，你的代码和对机器人的控制思路将与未来在真实 G1 硬件上使用 ROS 时保持高度一致，极大地降低了从仿真到真实机器人的迁移难度。
    • 强大的传感器仿真: 足球项目需要精确的视觉（摄像头）和可能的距离（Lidar）感知，Gazebo 能够很好地模拟这些传感器，生成接近真实的仿真数据。
    • ROS 生态系统优势: 可以方便地利用 ROS 中现有的感知、规划、控制等功能包和工具。
    • 关节控制方便: 通过标准的 ros_control 框架，可以使用 Python (rospy) 发送关节位置、速度或力矩指令，并获取关节状态。
    • 环境搭建: 可以在 Gazebo 中方便地搭建带有球门、边界的足球场地环境。如果 Unitree 提供 G1 的 Gazebo 模型，那就更方便了。即使没有，也可以使用标准的 URDF 或 SDF 格式加载机器人模型。

• 备选推荐: PyBullet

  • 理由:
    • 易于上手和快速原型: 如果你希望快速开始用 Python 进行仿真实验，或者对 ROS 不熟悉/暂时不打算深入，PyBullet 是一个非常好的选择。安装简单，全 Python API 调用直观。
    • 适合控制和 RL: 如果你的足球项目侧重于开发新的步态算法、平衡控制或使用强化学习来训练踢球策略，PyBullet 的物理性能和 Python 原生支持非常有吸引力。
    • 模型兼容性: 支持加载 URDF 等机器人模型，理论上可以使用 G1 的模型文件。
  • 限制: 与 G1 实际 ROS 软件栈的直接对应性不如 Gazebo + ROS；需要自己实现或寻找传感器数据到足球任务所需信息的转换逻辑。

总结: 对于与 G1 机器人实际开发流程紧密结合，并充分利用 ROS 生态系统而言，Gazebo + ROS 是更推荐的学习平台。如果你的主要目标是快速进行物理仿真实验或强化学习研究，PyBullet 也是一个优秀且易用的选择。本教程后续内容将以 Gazebo + ROS 作为主要的仿真环境进行讲解和实践示例，因为它更贴近大多数现代机器人平台的开发流程。

2.1.3 Python 相关: 学习使用 Python 接口控制仿真环境

选择了仿真环境后，下一步就是学习如何用 Python 编写代码来控制仿真中的 G1 机器人。

使用 Gazebo + ROS + Python 控制 G1 (通过 ros_control):

这是最常见的控制方式。你的 Python 代码是一个 ROS 节点，通过 ROS 话题和消息与 Gazebo 中运行的 G1 机器人模型进行通信。机器人模型的关节执行器通常由 Gazebo 的 ros_control 插件驱动。

• 核心思想:
  • 你的 Python 节点发布关节指令消息（如目标位置、速度或力矩）到 ros_control 监听的 ROS 话题。
  • 你的 Python 节点订阅关节状态、IMU、摄像头、Lidar 等传感器数据话题。
  • ros_control 控制器接收指令，计算出力/力矩，驱动 Gazebo 中的仿真关节。
  • Gazebo 进行物理仿真，更新关节状态和传感器数据，并通过 ROS 话题发布出去。
• Python API (rospy) 的使用:
  • 如 1.3 节所述，你需要使用 rospy 库来初始化 ROS 节点，创建话题发布者和订阅者。
  • 发送关节指令:
    • 如果你使用位置控制，可能需要发布 trajectory_msgs/JointTrajectory 消息（对于轨迹）或简单的自定义消息。
    • 如果你使用力矩控制（对于人形机器人更常用），可能需要发布包含每个关节目标力矩的自定义消息类型（例如 G1 厂家提供的消息类型，如 1.3 节示例中的 unitree_msgs/MotorCmd）。
    • 你需要知道你的 G1 Gazebo 模型上运行的是哪种 ros_control 控制器（如 PositionJointInterface, EffortJointInterface）以及它们对应的 ROS 话题名称。这些信息通常在 G1 的 ROS 包或 Gazebo 模型文件中定义。
    Python

    # 概念代码 - 发送关节力矩指令 (假设话题和消息类型)
    import rospy
    from unitree_msgs.msg import MotorCmd # 假设的消息类型# ... 初始化 ROS 节点 ...
    joint_command_pub = rospy.Publisher('/g1/joint_controller/commands', MotorCmd, queue_size=10) # 假设话题名# ... 在循环或函数中 ...
    cmd_msg = MotorCmd()
    cmd_msg.joint_name = ["joint1", "joint2", ...] # 关节名称列表
    cmd_msg.tau_ff = [tau1, tau2, ...] # 前馈力矩列表joint_command_pub.publish(cmd_msg)
    

  • 读取传感器数据:
    • 订阅 /g1/joint_states 话题（消息类型 sensor_msgs/JointState）获取关节位置、速度、力矩。
    • 订阅 /g1/imu 话题（消息类型 sensor_msgs/Imu）获取 IMU 数据。
    • 订阅摄像头话题（通常是 /g1/camera/image_raw，消息类型 sensor_msgs/Image）和 Lidar 话题（通常是 /g1/scan 或 /g1/pointcloud，消息类型 sensor_msgs/LaserScan 或 sensor_msgs/PointCloud2）。
    Python

    # 概念代码 - 订阅并读取关节状态 (回调函数如 1.3 节所示)
    import rospy
    from sensor_msgs.msg import JointState# ... 初始化 ROS 节点和回调函数 ...
    rospy.Subscriber('/g1/joint_states', JointState, joint_state_callback) # 假设话题名# ... 在主循环中保持 ROS 运行 ...
    rospy.spin()
    

• 实践步骤 (需要提前安装 ROS, Gazebo, G1 Gazebo 模型):
  1. 安装 ROS 和 Gazebo: 遵循官方 ROS Wiki 的安装教程在你选择的 Ubuntu 版本上安装 ROS 和 Gazebo。
  2. 安装 G1 机器人的 ROS/Gazebo 包: 通常由 Unitree Robotics 提供。你需要获取并将其放置在你的 ROS 工作空间中进行编译。这些包会包含 G1 的机器人模型文件 (URDF/SDF)、ros_control 配置以及 Gazebo 启动文件。
  3. 启动 Gazebo 仿真环境: 打开终端，source 你的 ROS 工作空间，然后使用 ROS 的 roslaunch 命令启动 G1 机器人的 Gazebo 仿真。例如：roslaunch g1_description g1.launch 或 roslaunch g1_gazebo g1_empty_world.launch（具体命令取决于 G1 包的结构）。
  4. 启动 ros_control 控制器: 可能需要单独启动控制管理器和特定的关节控制器。例如：roslaunch g1_control g1_control.launch。
  5. 编写和运行 Python 控制节点: 创建一个 Python 脚本，按照 1.3 节和本节介绍的 ROS Python API 使用方法，编写你的控制逻辑。在另一个终端中运行你的 Python 节点：rosrun your_package_name your_script_name.py。

使用 PyBullet + Python 控制 G1:

这种方式更直接，完全在 Python 环境中完成。

• 核心思想:
  • 你的 Python 脚本直接调用 PyBullet 库提供的函数来加载模型、运行仿真步进、获取状态和发送控制指令。
• Python API (PyBullet) 的使用:
  • 安装: pip install pybullet
  • 基本使用流程: Python

    # 概念代码 - 使用 PyBullet 控制 G1 (需要 G1 的 URDF/SDF 文件)
    import pybullet as p
    import pybullet_data
    import time
    import numpy as np# 1. 连接到物理服务器
    # p.connect(p.GUI) # GUI 模式，显示仿真窗口
    p.connect(p.DIRECT) # DIRECT 模式，无 GUI，适合高速运行或 RL# 2. 添加资源路径（可选，如果模型文件在特定目录）
    p.setAdditionalSearchPath(pybullet_data.getDataPath()) # 添加 PyBullet 内置模型路径# 3. 设置仿真环境参数
    p.setGravity(0, 0, -9.81) # 设置重力
    p.setTimeStep(1./240.) # 设置仿真步长# 4. 加载地面模型 (可选)
    planeId = p.loadURDF("plane.urdf")# 5. 加载 G1 机器人模型
    # !!! 你需要获取 G1 机器人的 URDF 或 SDF 文件路径 !!!
    g1_start_pos = [0, 0, 1.0] # 机器人起始位置
    g1_start_orientation = p.getQuaternionFromEuler([0, 0, 0]) # 起始姿态
    # 假设 G1 模型文件名为 'g1_robot.urdf' 并且在 pybullet 可以访问到的路径中
    try:g1_id = p.loadURDF("g1_robot.urdf", g1_start_pos, g1_start_orientation)rospy.loginfo("G1 robot model loaded in PyBullet.")
    except p.error as e:rospy.logerr(f"Failed to load G1 URDF: {e}. Make sure 'g1_robot.urdf' is in a searchable path.")exit() # 如果模型加载失败则退出# 获取关节信息
    num_joints = p.getNumJoints(g1_id)
    joint_names = [p.getJointInfo(g1_id, i)[1].decode('utf-8') for i in range(num_joints)]
    print(f"Loaded G1 with {num_joints} joints: {joint_names}")# 查找特定关节的 ID (示例，你需要知道关节的准确名称)
    try:left_shoulder_pitch_id = joint_names.index("left_shoulder_pitch_joint") # 假设关节名称
    except ValueError:left_shoulder_pitch_id = -1 # 关节未找到print("Warning: left_shoulder_pitch_joint not found.")# 6. (可选) 加载足球模型和球门模型
    ball_start_pos = [2.0, 0, 0.1] # 假设球的起始位置
    # 假设球的模型是 sphere2.urdf (PyBullet 内置) 或你自己的模型
    ball_id = p.loadURDF("sphere2.urdf", basePosition=ball_start_pos, globalScaling=0.1) # 调整 scaling 使球大小合适# 球门模型可能需要自己创建或加载# 7. 仿真主循环
    print("Starting PyBullet simulation loop...")
    for i in range(1000): # 运行 1000 个仿真步# --- 感知：获取传感器数据/状态 ---# 获取所有关节状态 (位置, 速度, 反馈力矩, 电机扭矩)joint_states = p.getJointStates(g1_id, list(range(num_joints)))# 你可以根据索引或名称解析出特定关节的状态# 例如：left_shoulder_pitch_state = joint_states[left_shoulder_pitch_id]# print(f"Step {i}: Joint '{joint_names[left_shoulder_pitch_id]}' position: {joint_states[left_shoulder_pitch_id][0]:.2f}") # 示例打印关节位置# 获取 IMU 数据 (通常需要计算，基于 link 的速度和姿态)# 获取 base link (躯干) 的姿态和速度base_state = p.getBasePositionAndOrientation(g1_id)base_velocity, base_angular_velocity = p.getBaseVelocity(g1_id)# 姿态是四元数 base_state[1]，角速度是 base_angular_velocity# 线加速度需要跟踪一段时间的速度变化来计算# 获取足部力/力矩 (通常通过末端关节的接触点计算)# contact_points = p.getContactPoints(bodyA=g1_id, bodyB=planeId, linkIndexA=left_foot_link_id) # 假设有足部 link ID# ... 处理接触点数据计算力 ...# 获取球的位置ball_pos, _ = p.getBasePositionAndOrientation(ball_id)# print(f"Step {i}: Ball position: {ball_pos}")# --- 规划与决策 ---# 根据获取的状态信息 (关节角度, IMU, 球位置等), 在这里编写你的控制算法# 例如：简单的位置控制指令target_pos = 0.8 # 目标角度 (弧度)max_force = 10.0 # 最大电机力# --- 执行器控制：发送控制指令 ---# PyBullet 支持多种控制模式 (位置, 速度, 力矩)if left_shoulder_pitch_id != -1:p.setJointMotorControl2(g1_id,left_shoulder_pitch_id,p.POSITION_CONTROL, # 控制模式targetPosition=target_pos, # 目标位置maxVelocity=1.0, # 最大速度 (可选)positionGain=0.5, # P 控制增益 (可选)velocityGain=0.0, # D 控制增益 (可选)force=max_force) # 施加的最大力/力矩# --- 仿真步进 ---p.stepSimulation()# --- 可视化延迟 (如果使用 GUI) ---if p.getConnectionInfo()["gui"]:time.sleep(p.getPhysicsEngineParameters()["timeStep"]) # 根据仿真步长进行延迟# 8. 断开连接
    p.disconnect()
    print("PyBullet simulation finished.")

• 实践步骤 (需要提前安装 PyBullet 和获取 G1 URDF/SDF 文件):
  1. 安装 PyBullet: 打开终端，运行 pip install pybullet。
  2. 获取 G1 机器人的 URDF 或 SDF 文件: 这是必需的。你需要从 Unitree Robotics 获取或自己创建 G1 的机器人模型文件。将其放置在你的 Python 脚本可以找到的路径，或者添加到 PyBullet 的搜索路径中。
  3. 编写 Python 脚本: 参照上面的概念代码结构，编写你的控制逻辑。
  4. 运行 Python 脚本: 在终端中运行你的 Python 脚本：python your_script_name.py。

总结:

• 使用 Gazebo + ROS + Python 更接近真实的机器人开发流程，特别是如果你的 G1 最终将在 ROS 环境下工作。你需要熟悉 ROS 的概念（节点、话题、服务）以及如何使用 rospy 与它们交互。
• 使用 PyBullet + Python 则更加直接，你直接调用 PyBullet 的 Python API 进行仿真控制。它对于快速验证算法和进行 RL 实验非常方便。

选择哪种仿真器取决于你的具体需求和学习目标。无论是哪种，Python 都将是你与仿真机器人交互，实现足球项目逻辑的核心工具。从这里开始，你就可以在安全的仿真环境中开始编写代码，让虚拟的 G1 机器人动起来，并尝试实现寻球、带球和射门的功能了！