Hugging Face 發布 Microduck 雙足機器人訓練指南

背景

Microduck 是由 Pollen Robotics 和 Hugging Face 推出的平價開源雙足機器人。NVIDIA Isaac Lab 是一個用於訓練機器學習策略的開源框架，支援在 GPU 上並行執行數千個模擬環境。Newton 是基於 NVIDIA Warp 建構的 GPU 加速物理模擬引擎，由 Disney Research、Google DeepMind 和 NVIDIA 發起，現為 Linux Foundation 專案。本次發布旨在展示如何在模擬中訓練 Microduck 的行走策略，並部署到實體機器人上。 官方原文・Hugging Face Blog 官方原文・github.com

發生什麼事

Hugging Face 於 2026 年 10 月 21 日發布了一篇教學文章，指導開發者如何使用 Isaac Lab 和 Newton 訓練 Microduck 的行走策略。該流程包括在模擬中訓練、評估策略、將其匯出為 ONNX 格式，並部署到實體 Microduck 機器人上。 官方原文・Hugging Face Blog

重點內容

訓練過程使用 Newton 搭配 MJWarp solver 和基於 Newton 的 Better Actuator Models（BAM，用於模擬伺服馬達響應的執行器模型）來建模伺服響應，並透過 backlash preset（模擬齒輪箱背隙的預設設定）將位置目標轉化為包含韌體控制器、馬達電氣限制、摩擦與延遲的真實伺服扭矩。領域隨機化（在訓練中隨機改變環境參數以增強策略泛化能力）涵蓋每隻鴨子的質量/重心、地面摩擦、關節慣量、編碼器偏移、電池電壓/電壓降及命令延遲，並獨立隨機化各關節的背隙以代表磨損不均。策略輸入為 61 個觀測值，輸出為 14 個關節位置。 官方原文・Hugging Face Blog 官方原文・github.com

在 Linux 工作站上，開發者需安裝 uv、克隆 Isaac Lab 倉庫並同步依賴。訓練命令使用 rsl_rl 庫和 IsaacContrib-Velocity-Rough-MicroDuck 任務，設定 4096 個環境並啟用 backlash preset。Isaac Lab 支援跨 GPU 分佈式訓練，例如使用 16 個 GPU 時，在粗糙地形和背隙啟用的情況下可達到每秒 1.25M 步的訓練速度。 官方原文・Hugging Face Blog

訓練完成後，策略會自動匯出為 TorchScript (policy.pt) 和 ONNX (policy.onnx) 檔案。Microduck 的機載運行時（onboard runtime）使用 ONNX 格式的策略。開發者可將策略上傳至 Hugging Face Hub，或在 Microduck Arena 中進行測試和競爭。Arena 接受具有 61 個觀測值、14 個動作值且大小不超過 64 MiB 的模型。 官方原文・Hugging Face Blog 官方原文・github.com

對使用者的意義

開發者可以使用此流程訓練 Microduck 的行走策略，並部署到實體機器人上。使用者可以從平坦地形任務開始，然後嘗試更複雜的地形，如樓梯和斜坡。此外，還可以在 Isaac Lab 中探索更多進階任務，如感知導航和靈巧操作。 官方原文・Hugging Face Blog

限制與未定事項

訓練需要 Linux 工作站和支援的 NVIDIA GPU 及驅動程式。部署需要實體 Microduck 機器人，並安裝好機載機器人軟體。Microduck Arena 對模型大小有限制（最大 64 MiB）。 官方原文・Hugging Face Blog