全身肌肉骨骼模型 MS-Human-700

MS-Human-700.xml 模型代表了人体全身肌肉骨骼系统，其特点包括：

90个身体节段
206个关节（为保证控制稳定性，数值限制为 85）
700个肌腱单元
解剖学上合理的参数
MuJoCo 整合

该模型能够模拟全身动力学以及与各种设备的交互，使其适用于具身智能、机器人和生物力学领域的研究。

渲染效果：

前视角	环绕视角

腿运动模型

文件： MS-Human-700-Locomotion.xml

该模型着重研究下肢动力学，将腿部单独用于运动研究，同时简化了上肢和躯干。

身体节段： 80
关节： 36
肌肉： 100

单手操作模型

文件： MS-Human-700-Manipulation.xml

重点训练右臂和右手细节，专为操作任务而设计。

身体节段： 127
关节： 42
肌肉： 81

运行

1.下载并加载模型

# 克隆模型仓库
git clone https://github.com/LNSGroup/MS-Human-700.git
# 使用mujoco打卡模型
mujoco/bin/simulate.exe  MS-Human-700/MS-Human-700.xml

DynSyn 控制结果:

控制全身的移动	控制腿的移动	抓取

DynSyn

DynSyn：用于过驱动具身系统高效学习与控制的动态协同表示¹。

1.安装

git clone https://github.com/OpenHUTB/DynSyn.git
cd DynSyn

conda create -n hutb_3.9 python=3.9
conda activate hutb_3.9
pip install poetry
poetry install

2.运行

# 生成 DynSyn 到 log 文件夹下
python dynsyn/dynsyn.py -f configs/DynSynGen/dynsyn.yaml -e myoLegWalk
# 训练
python dynsyn/sb3_runner/runner.py -f configs/DynSyn/myowalk.json

评估过程中，dynsyn_weight_amp 的值取决于配置文件中是否设置了该参数。因此，在评估过程中，我们可以设置 dynsyn_weight_amp 以使其与训练设置保持一致。如果在训练过程中已经设置了 dynsyn_weight_amp，则在评估过程中无需再次设置。

"load_kwargs": {
    "dynsyn_weight_amp": 0.1
}

Qflex 控制

Qflex 一种可扩展且高效的在线强化学习（RL）方法²，用于高维动态系统的连续控制。此类系统通常面临诸多挑战，严重阻碍高效学习：

高维性：状态-动作空间的大小随维度迅速增长，导致显著的“维度灾难”效应；
过度驱动：在执行器数量远大于自由度的情况下，多个动作序列可能产生无法区分的运动学特征，但内部力和成本却可能不同。

git clone --recurse-submodules https://github.com/LNSGroup/Qflex.git
cd Qflex
conda activate hutb_3.12
# 
python scripts/train.py  --alg qflex --env MS700Locomotion-v1 --seed 100 --total_step 50000000 --num_vec_envs 224 --hidden_dim 1024 --diffusion_hidden_dim 1024 --record_video
# 减少 num_vec_envs 用于调试:
python scripts/train.py --alg qflex --env MS700Locomotion-v1 --seed 100 --total_step 50000000 --num_vec_envs 4 --hidden_dim 1024 --diffusion_hidden_dim 1024 --record_video

报错：No module named 'relax.spinlock'

Windows 下安装relax-0.1.0：

cd Qflex
# windows下需要注释掉 https://github.com/LNSGroup/Qflex/blob/a028cfa76525a62bfb90d76c6f1535f697121383/src/futex.c#L3
pip install -e .

QFlex 控制结果:

跑步	跳舞

高保真运动跟踪结果:

利用 MuJoCo Warp 进行大规模并行 GPU 仿真，可以快速高效地训练控制策略，从而在各种动态轨迹上实现高精度运动跟踪。

以下演示展示了 MS-Human 模型的这些跟踪功能：

重叠: 模型和参考轨迹直接渲染，以直观地展示跟踪精度。
分离: 模型和参考轨迹以一定的偏移量渲染，以突出运动细节。

跑步：重叠	跑步：分离

走路：重叠	走路：分离

He, K., Zuo, C., Ma, C. & Sui, Y. DynSyn: Dynamical synergistic representation for efficient learning and control in overactuated embodied systems. arXiv preprint arXiv:2407.11472 (2024). ↩
Wei, Y., Zuo, C. & Sui, Y. Scalable exploration for high-dimensional continuous control via value-guided flow. in The fourteenth international conference on learning representations (2026). ↩