(说明书)：告诉你训练时的环境和超参数是什么。Checkpoint (原材料)：保存训练出来的原生权重，主要给训练代码自己恢复用。TorchScript (成品件)：把模型打包成最适合机器推理与部署的形式。训练脚本启动➔ 保存配置到➔ 定期保存权重到 Checkpoint.pt➔ 训练结束/验证时，从当前权重导出 TorchScript.jit➔实机部署时，读取重建控制环境，直接加载.jit执行动

真实传感器先被 StateEstimator 整理成训练同构状态，再由 LCMAgent 按训练时相同的方式拼成 observation，HistoryWrapper 维护 obs_history，student policy 输出动作，DeploymentRunner 把动作发到实机，而 actuator net 则在训练侧负责把仿真中的执行器动力学尽量拉近真实机器人。观测同构命令同构控制链同构

真实传感器先被 StateEstimator 整理成训练同构状态，再由 LCMAgent 按训练时相同的方式拼成 observation，HistoryWrapper 维护 obs_history，student policy 输出动作，DeploymentRunner 把动作发到实机，而 actuator net 则在训练侧负责把仿真中的执行器动力学尽量拉近真实机器人。观测同构命令同构控制链同构

的强大不只在于它能跑 Isaac Gym，而在于它把“任务目标、物理随机性、执行器动力学和接触几何”全部揉进了同一个闭环。reward 决定你想让机器人成为什么样；randomization 决定这个能力是否能泛化；terrain 决定它面对的世界有多难；torque 生成链则决定策略输出如何真正变成可执行的物理动作。terrain.py。

的强大不只在于它能跑 Isaac Gym，而在于它把“任务目标、物理随机性、执行器动力学和接触几何”全部揉进了同一个闭环。reward 决定你想让机器人成为什么样；randomization 决定这个能力是否能泛化；terrain 决定它面对的世界有多难；torque 生成链则决定策略输出如何真正变成可执行的物理动作。terrain.py。

的强大不只在于它能跑 Isaac Gym，而在于它把“任务目标、物理随机性、执行器动力学和接触几何”全部揉进了同一个闭环。reward 决定你想让机器人成为什么样；randomization 决定这个能力是否能泛化；terrain 决定它面对的世界有多难；torque 生成链则决定策略输出如何真正变成可执行的物理动作。terrain.py。

这套步态参数化机制，并不是让神经网络用纯黑盒的方式自己去摸索“四条腿各自什么时候抬和落”。环境先采样速度和连续 gait command。通过巧妙的数学变换，把参数整理到稳定的结构化步态附近。利用全局时钟推进四条腿的相位。将相位转换为拉伸重映射后的平滑时钟输入和软性接触目标。最终，通过 Observation 和 Shaped Reward 将节律信息传递给策略网络。一言以蔽之：策略负责在给定节律

在这个项目里，训练一个 Go2 策略，并不是简单地“把 PPO 跑起来”。更准确地说，是先用一套层级化配置系统，把“机器人是谁、看见什么、做什么、踩在什么地上、会遇到哪些扰动、什么行为算好”全部定义清楚，然后训练脚本再按具体任务目标，对这些默认值进行二次覆盖。提供通用四足任务的基础默认值在此基础上，把机器人具体化为 Go2再进一步把它改造成当前这篇任务对应的 gait-conditioned ag

的价值不在于它实现了多少复杂算法，而在于它把这个项目真正“接通了”。它通过先装载 Go2 默认配置，再在入口脚本内集中覆盖 observation、command、reward、terrain、domain randomization 与 sim2real 相关设置，最终得到当前实验的完整Cfg。随后，它创建，再通过把原本只提供单步 observation 的环境包装成同时返回obs和的接口，这一