MuJoCo 生产落地案例

五、生产落地案例

背景：要让一只多指手在仿真里学会抓取不同形状的物体，再迁移到真机。接触点多、摩擦复杂，用传统规划难以覆盖。

怎么做：用 MJCF 建手与物体的模型，按实测给指尖设置摩擦系数与接触刚度；用随机化物体尺寸、质量、初始位姿的方式训练策略；观测里加入关节位置、速度与触觉读数，动作用关节位置增量。

关键配置：implicitfast 积分器配毫秒级时间步保证稳定；condim 提高到 6 让指尖能产生扭转摩擦；armature 按实际电机与减速比设置，避免策略学到真机做不到的瞬时动作。

效果：策略在仿真里对未见过的物体也能稳定抓取，迁移到真机后配合少量微调可用。

坑与解决：最初没设 armature，训练出的策略依赖不现实的瞬时加速，上真机就抖动；补上之后策略明显保守也更可用。另一个坑是摩擦设置过大，仿真里的物体被「粘」在指尖，真机上直接滑落；按实测把摩擦调低并加入随机化才解决。

背景：一台非标机械臂需要做高精度的轨迹跟踪，但解析模型难以准确建模关节摩擦与负载变化。

怎么做：用 MuJoCo 建一个与真机参数接近的模型，利用程序化的求导接口构建线性化模型，在线做模型预测控制；控制器输出力矩指令下发到驱动器，同时用真机数据在线校正模型中的摩擦参数。

关键配置：状态与输入的维度要与控制器一致；时间步与控制器周期对齐；关节阻尼与摩擦作为待辨识参数而不是拍脑袋给。

效果：跟踪误差明显小于只用固定参数 PID 的方案，且在负载变化时表现更稳。

坑与解决：一是仿真模型和真机的传感器延迟没有对齐，控制器在真机上出现相位滞后导致的振荡；二是求导时步长选得太大，线性化误差明显。解决办法是显式建模延迟，并把差分步长按状态量纲分别设置。