MimicKit

Jason Peng 的動作模仿強化學習框架：DeepMimic 系列方法集中於單一程式碼庫

授權條款

Apache-2.0

概述

MimicKit 是 Xue Bin (Jason) Peng 打造的動作模仿強化學習框架。Peng 是 DeepMimic、AMP 與 ASE 背後的研究者，這些方法定義了模擬與真實機器人如何從參考資料學習自然動作。MimicKit 將這一系列方法統一在一個持續維護的程式碼庫中：以深度強化學習訓練人形機器人與四足機器人（包括 Unitree G1 與 Go2 模型）追蹤動作捕捉片段，標準演算法、環境與動作資料工具一應俱全。

MimicKit 將各實驗室過去必須從論文程式碼重新拼湊的動作模仿軟體堆疊打包在一起：參考動作的載入與動作重定向、源自 DeepMimic 系譜的模仿目標（動作追蹤）與對抗式變體（AMP 風格）、在 GPU 平行模擬器上執行的強化學習訓練迴圈，以及已學得控制器的評估與視覺化。所提供的環境涵蓋模擬人形角色，以及 Unitree G1 人形機器人與 Go2 四足機器人等真實機器人模型，將角色動畫等級的動作模仿與當今人形機器人的模擬到現實（sim-to-real）流程連接起來。由於作者的方法是這個領域的共同基準（DeepMimic 與 AMP 是大量現代人形機器人行走運動與全身控制成果的基礎，其衍生方法也驅動著真實人形機器人上的表現性動作研究），一個由原作者維護的框架意義重大：它是重現與延伸這些方法的參考實作系列，不必再從論文重新實作。

為何重要

Jason Peng 的動作模仿方法（DeepMimic、AMP）是現代人形機器人學習自然動作的基礎。MimicKit 是作者本人為這一系列方法打造、統一且持續維護的框架，讓這個領域最常被重現的基準真正可以重現。

解決的問題

動作模仿強化學習研究一直仰賴零散、老舊的論文儲存庫，資料格式與模擬器互不相容。MimicKit 將經典方法、環境與動作工具整合在同一個框架中，範圍從角色動畫到 G1 與 Go2 等真實機器人模型。

重點

• DeepMimic/AMP 動作模仿方法系列的統一框架
• 出自 DeepMimic、AMP 與 ASE 的原作者
• 人形機器人與四足機器人環境，包括 Unitree G1 與 Go2 模型
• 參考動作流程：載入、動作重定向、模仿目標、評估
• GPU 平行強化學習訓練，並可視覺化已學得的控制器

適用對象

• 人形機器人與足式機器人學習研究人員
• 角色動畫與電腦圖學研究人員
• 模擬到現實（sim-to-real）行走運動工程師
• 重現動作模仿基準的研究生

限制

• 研究框架：模擬到現實（sim-to-real）部署的強化工作需由使用者自行負責
• 訓練對 GPU 需求高
• 儲存庫尚新：API 與涵蓋範圍仍在演進