Что это такое?
Реализация метода машинного обучения, который учит роботов с ногами ходить по неровной местности, анализируя карту высот вокруг.
Проект / Python
SII-FUSC/AME_Locomotion: AME Locomotion — воспроизведение метода обучения ходьбы роботов по сложному рельефу
Позволяет обучать роботов-ходунов адаптироваться к неровной местности с помощью внимания к карте высот.
Этот проект — открытая реализация метода AME (Attention-Based Map Encoding) из научной статьи. Он воспроизводит подход к обучению роботов с ногами ходить по разнообразному рельефу. Используется робот Unitree G1 с 29 степенями свободы, симулятор NVIDIA Isaac...
Для кого это
Для исследователей в области робототехники и машинного обучения, которые работают с NVIDIA Isaac Sim и хотят экспериментировать с обучением передвижения по сложным поверхностям.
Проблема / задача
Обычные методы обучения ходьбе плохо обобщаются на незнакомый рельеф — робот, обученный на ровной поверхности, спотыкается на кочках.
Как это работает
Система использует карту высот местности вокруг робота, обрабатывает её свёрточной сетью, а затем с помощью механизма внимания объединяет информацию о рельефе с данными о состоянии робота. Это позволяет создавать политики движения, которые лучше адаптируются к новым типам поверхности.
Что видно по README
Этот проект — открытая реализация метода AME (Attention-Based Map Encoding) из научной статьи. Он воспроизводит подход к обучению роботов с ногами ходить по разнообразному рельефу. Используется робот Unitree G1 с 29 степенями свободы, симулятор NVIDIA Isaac Lab и фреймворк RSL-RL с кастомными расширениями.
Ключевые возможности
Технологии
Интересный факт
Авторы внесли три модификации в оригинальный метод из статьи: подают на вход CNN все три координаты (xyz), а не только высоту; используют свёртки с шагом для уменьшения вычислительных затрат; добавили глобальный контекст из AME2, что...
С чего начать
- Установить Isaac Lab по официальной инструкции
- Установить расширение проекта: pip install -e source/ame_locomotion
- Запустить обучение bash run_train.sh или тестирование bash run_play.sh
Оценка GitRadar
Удобство
6/10
Свежесть
8/10
Перспектива
7/10
Монетизация
4/10
Общая оценка
6/10
Вердикт GitRadar
Стоит пробовать, если вы уже работаете в экосистеме Isaac Sim и хотите исследовать современные методы обучения локомоции. Проект — скорее исследовательский код, чем production-ready решение.
Наблюдения по обновлениям
Проект выглядит свежим (использует актуальные версии Isaac Lab), но имеет мало звёзд и активность, что типично для нишевых исследовательских репозиториев.
Что мы проверили
Карточка собрана по данным GitHub, README и структуре репозитория. Это не официальная документация проекта.
- Исходный репозиторий
- https://github.com/SII-FUSC/AME_Locomotion
- Создан на GitHub
- 31 марта 2026 г.
- Последнее обновление репо
- 31 марта 2026 г.
- Последняя проверка GitRadar
- 31 марта 2026 г.
- Изученные файлы
- rsl_rl/README.md, README.md, rsl_rl/pyproject.toml, source/ame_locomotion/pyproject.toml, run_train.sh, run_play.sh
FAQ
Для кого подходит?
Для исследователей и разработчиков в области робототехники, которые используют NVIDIA Isaac Sim для симуляции и хотят экспериментировать с улучшением проходимости роботов.
Источники
Нужна помощь с SII-FUSC/AME_Locomotion?
Если проект подходит под ваш сценарий, можем помочь с установкой, интеграцией, доработкой или аккуратным форком под вашу инфраструктуру.