转行具身智能RL
机器人本硕楼主分享年底转行具身智能RL的五步规划。
关键信息
- 楼主背景与目标：楼主拥有机器人（Robotic）本硕背景，目前从事制造业（Manufacturing）相关非软硬件工作。因看好具身智能前景，计划在年底前通过面试，成功转行至人形机器人相关的强化学习（RL）领域（#1）。
- 五步转行实战规划（Claude制定）（#1）：
- M1（手写PPO）：不依赖RL库手写单文件约400行PPO算法（支持连续动作空间、高斯策略、GAE等），解决Pendulum-v1并在HalfCheetah达到2500+分，需掌握白板推导策略梯度并无表解释clip机制。
- M2（Isaac Lab基线复现）：在Isaac Lab中复现Unitree Go2或ANYmal-C的平地速度跟踪，使用
rsl_rl的PPO，要求在5080显卡上20分钟内收敛。 - M3（崎岖地形与课程学习）：实现地形课程（斜坡→楼梯→障碍）及针对摩擦力、质量、延迟的领域随机化（DR）和推力扰动，使策略在未见地形上存活。
- M4（消融实验与技术博客）（预计10月底）：系统消融奖励项与DR范围，撰写带详实数据的技术博客，作为证明工程能力的核心作品。
- M5（人形机器人与推力恢复）（预计12月）：在Isaac Lab中训练H1或G1人形机器人步行及推力恢复，并将学习策略与经典控制算法（LQR/Capture-point）进行量化对比。