Fcitx5 配置文件 ~/.config/fcitx5/config # 或使用配置工具 fcitx5-configtool → 快捷键# 用户词库位置 ~/.local/share/fcitx5/pinyin/dictionaries/ # 导入词库 fcitx5-diagnose项目推荐设置输入法框架Fcitx5拼音引擎云拼音快捷键Ctrl+Space 切换字体思源黑体/文泉驿主题。

Remote Explorer（远程资源管理器）通常是指一种工具或功能，允许用户通过网络连接访问和管理远程服务器或设备上的文件和资源。这类工具包括但不限于微软的Remote Desktop、各种云服务提供商的管理控制台以及一些第三方开发的远程管理软件。Remote Explorer链接需要联网的原因主要是因为它本质上是依赖互联网来建立与远程服务器或设备之间的通信链路。总之，联网是Remote Ex

Sim2Real，即仿真训练完成的强化学习策略，直接部署到真实物理机器人上执行行走动作；

仿真内评测是独立于训练的离线评估流程：固定策略 checkpoint，在多组标准化仿真场景批量 rollout，采集多维度量化指标 + 轨迹回放，定位策略缺陷（摔倒、打滑、步态畸形、指令跟踪差）。最常见问题：奖励 Hacking。策略找到仿真漏洞，拿到高奖励，但步态畸形，真机无法复现。定性评测：回放可视化视频，人工观察步态，识别奖励 Hacking 现象：弹跳前进、滑行、身体剧烈晃动、步态畸形。2

状态空间S、动作空间A、奖励函数(r(s,a,s’))状态空间：智能体观测到的信息（本体传感器、视觉、环境信息），Policy 网络的输入；动作空间：智能体输出控制指令，下发给机器人执行器；奖励函数：标量反馈，评估当前状态好坏，引导策略优化；是 RL 最容易踩坑的部分，普遍采用加权多目标组合奖励（稀疏奖励 + 稠密奖励混合）稠密奖励为主（引导学习），稀疏终端奖励为辅（判断任务是否完成）；同时增加惩

模仿学习 IL：复刻专家动作，适合复杂操作、VLA、灵巧手；上手快、安全，但泛化上限被示教限制。强化学习 RL：试错寻找最优动作，适合全身运动、抗扰动；性能上限高，但采样昂贵、奖励难设计，长时序精细操作很难落地。工业界具身智能主流：IL 快速打底，RL 在仿真里优化性能。

同一组视觉观测下，存在多种可行操作轨迹（抓取可以从左侧 / 右侧，不同插入姿态），Transformer + 扩散可以学习多模态动作分布，不会出现 MLP/LSTM 的均值坍缩，接触丰富灵巧手任务成功率大幅提升。大规模多机器人、多任务示教数据集（Open X-Embodiment）预训练 Transformer，少量新任务示教数据即可微调，实现小样本学习（Octo、RT-1、GR00T）。，支持多

感知层图像编码器，几乎所有视觉机器人标配，不输出动作；操作任务动作生成主干，Diffusion Policy-CNN 核心，适合双臂 / 灵巧手接触操作；不适合人形全身步态；开源首选：LeRobot + Diffusion Policy 1D U-Net；数据集直接导入动捕 BVH 转换的时序数据。

四足、人形：接收根姿态、IMU、关节角度、关节角速度、目标速度指令；在 IsaacLab/IsaacGym 仿真里对质量、惯性、摩擦、关节阻尼做随机，训练 MLP 策略，提升 Sim2Real 迁移，是四足 / 人形标配。MLP 只接收低维向量（本体状态、关节、根姿态、角速度、目标指令），输出机器人 PD 目标位置 / 力矩 / 关节动作；把复杂策略（Transformer/Diffusion）的

它不是用来“录动作”的，而是用来“让机器人学会像人一样动”的最强训练引擎之一。优势维度具体体现训练速度万级并行，小时级收敛复杂动作动作利用效率AMP 框架高效利用 MoCap 数据策略质量输出全身协调、动力学可行的控制策略部署友好性PyTorch → ONNX → 实机无缝衔接生态整合与 Isaac Sim、ROS 2、TensorRT 深度集成。