个人作品集

机器人方向的开发者，工作覆盖机械设计 / 电控 / 运动控制 / 强化学习 / 上位机与部署这条完整链路。这是我的个人作品集，整理了我在机器人方向的主要工作。

作品集按时间与难度整理了 8 个项目：从轮足机器人从机械到真机部署的全栈开源，到强化学习训练、Sim2Sim 验证与运动控制工程，再到全栈考核体系设计、Linux 系统工具、电赛完整作品与逆向工程。每个项目都配有可直接访问的仓库、图纸或实物图、以及可复现的运行入口。

阅读建议：先看下方 30 秒速览表，再挑你关心的方向进入对应章节；每个章节都给出了仓库跳转链接。

联系方式 ​

目录与速览 ​

一、16DOF 四轮足机器人全开源 ​

HYNova 战队 · RC2026 仿生足式障碍赛 · 全国一等奖，第 7 名，前 5%

背景与问题：这是一支从零起步的新队伍。没有历史积累、没有成熟平台，我们需要在备赛周期内自建一整套 16DOF 串联轮足机器人——机械、硬件、固件、仿真、强化学习训练与真机部署全部自研，并最终跑通比赛任务。

我的职责（电控 / 机械）：

• 参与前期 8DOF 以及中后期 8DOF → 16DOF 的机械升级设计，负责模型总装配与URDF 导出；
• 负责仿真与算法验证，参与强化学习模型的训练优化；
• 配置 Linux 基础部署环境（Jetson Orin Nano 8G 平台）；
• 对接 Odin1 视觉感知、里程计与 IMU 数据，负责环境建图与地图导出。

系统构成：4 条轮腿，每条腿 3 个腿部关节 + 1 个驱动轮，共 16 个执行器（RS02）；控制路线为「强化学习训练 → MuJoCo 仿真 → Sim2Sim 验证 → Python 与 ROS 2/C++ 双线真机部署」。真机侧最终整理了 Python Sim2Real（v1/v2）与 ROS 2/C++ Sim2Real（v1/v2/v3）多版部署栈，后者把策略热路径迁移到 50 Hz C++ 推理 + 200 Hz CAN 电机循环，并接入 Nav2、TensorRT/ONNX 推理与里程计联调。

开源程度：仓库完整开源了机械（SolidWorks 2026 源文件 + STEP）、硬件（自研电路 / BOM / 接线）、固件、软件（训练 / 仿真 / Sim2Real / 工具）、媒体资产、装配与部署文档，并给出了整机装配入口、安全说明与版本状态（最终整理版 v1.1.1，MIT 协议）。这也是我们希望对起步较晚的 Robocon 队伍提供的参考。

完赛演示视频（仓库内文件，点击查看）：06_assets/videos/sim2real.mp4 —— 完赛效果演示，1280×720 横屏、约 1 分 20 秒，与比赛实际时长接近；另有早期真机测试记录 early_sim2real.mp4（约 41 秒）。

整机总装与实机 ​

16DOF 轮足整机 SolidWorks 总装（源文件与 STEP 已随仓库开源）

16DOF 实机：Jetson Orin Nano 8G 上位机 + 16 个 RS02 执行器

机械结构迭代设计 ​

从 8DOF 到 16DOF 的升级过程中，我参与了多轮结构方案迭代：把电机内嵌进腿部结构以缩短力臂、用同步带轮传递轮端动力、重新设计轮组与小腿，并在总装配阶段统一坐标系与惯量参数。

左：内嵌电机式轮腿初版设计；右：内嵌电机式轮足小腿

左：同步带轮传动设计；右：轮足轮组设计

转接件设计 ​

转接件是连接腿部关节与轮组 / 机身的过渡结构件，需要在有限空间内同时满足安装孔位、走线避让、减重与刚度四方面约束。

转接件整体轮廓：安装孔位、走线避让与减重槽设计

URDF 导出与惯量配置 ​

总装配后导出 URDF，并逐连杆核对质量、惯量与关节轴向，保证模型与仿真一致

Odin1 视觉感知、点云与建图 ​

按分工，我负责对接 Odin1 的视觉感知、里程计与 IMU 数据，并完成比赛场地的环境建图与地图导出；下图是比赛场地雷达点云处理与导航路径规划的实际结果。

Odin1 雷达点云处理与比赛场地建图结果

基于建图结果的比赛导航路径规划

可验证性：仓库同时提供 CAD 源文件、STEP、URDF、仿真工程与真机部署代码，任何人都能沿着同一条路径复现「建模 → 机器人描述 → 仿真验证 → 真机部署」。

仓库入口：https://github.com/zeitvex/RC_WheelLeg（队友与我的分工、安全须知、目录结构均在 README 中说明）

二、16DOF 轮足强化学习、仿真与 Sim2Sim 开源 ​

背景与问题：16DOF 轮足的控制策略如果只靠人工调参，很难覆盖比赛中的粗糙地形、爬坡与限高场景。我们需要一条可复现、可替换、可迁移的强化学习工程链路，并且要让其他队伍能按自己的机械结构替换局部模块。

我做了什么：把训练工程从整机项目中抽离、整理成可独立复现的开源包，覆盖机器人描述 → 训练任务 → 策略训练 → 仿真回放的完整链路：

• MJCF 机器人模型：wheelleg.xml、scene.xml 与 STL 网格；
• 三类注册任务：Robot-Flat-v0（平地）、Robot-Rough-v0（多障碍粗糙地形）、Robot-Crawl-v0（爬坡与限高）；
• PPO 训练：actor/critic 网络规模 (512, 256, 128)，控制频率 50 Hz、物理步长 2 ms；
• Sim2Sim 验证：sim2sim.py 与支持交互式导航的 nav_sim2sim.py，用同一套 MJCF 与策略权重做部署前接口检查；
• 独立 MuJoCo 调试：mujoco_sim/ 用于不启动完整训练框架时的模型、姿态与 MPC 调试。

工程化设计（我认为这是这部分最有价值的地方）：训练任务配置化、物理接口统一、部署前Sim2Sim 检查。具体落实为配置对象模式（env_cfgs.py / rl_cfg.py / robot_cfg.py）、注册表模式（register_mjlab_task 注册任务 ID）、组合式 MDP（奖励、命令、动作滤波、扰动、课程各自独立成模块）、Wrapper/Adapter（把 mjlab 环境适配到 RSL-RL 风格接口）与 Strategy（三类任务共用主框架、仅替换配置与地形课程）。

鲁棒性考虑：训练中引入摩擦、质心、编码器偏置、执行器刚度/阻尼、力矩上限、负载质量、推撞与持续外力等随机化，目的是缩小仿真到实机的差距；同时对腿部位置动作与轮部速度动作做低通滤波与延迟建模。

训练过程记录 ​

16DOF 轮足强化学习训练过程与策略在仿真中的表现

安全与边界：文档中明确写了仿真通过不等于可以上电，真机调试必须架空机器人并确认急停链路，并列出迁移到其他机器人时必须重新核对的项（关节顺序、动作尺度、观测维度、执行器限幅等）。

仓库入口：https://github.com/wusi321/RC_Legged_Training_Simulation

三、16DOF 轮足强化学习工程（go2w 平台） ​

背景与问题：上一版训练工程跑在自研轮足模型上，我想验证一件事——换一台机器人、再加一个新任务，整条训练链路还成不成立。于是我把训练算法移植到 Unitree go2w（12 个腿关节 + 4 个驱动轮）模型上，并在标准三套任务之外新写了一个比赛任务：梅花桩 Robot-StepStone-v0——机器人要在交错桩列上逐桩通过，掉进 0.6 m 深坑即失败。

我做了什么：

• 算法移植：把 rc_mjlab 的 PPO + 非对称 Actor-Critic（mjlab / MuJoCo-Warp / RSL-RL）迁移到 go2w 模型，机器人名称、位姿与几何常量收敛到唯一来源，并用离线脚本校验「名称是否命中 12 腿关节 / 4 轮、关节限位、站立高度、正运动学下轮子最低点是否正好落地」；
• 梅花桩任务设计：单桩交错地形（0.20 × 0.20 m 方桩、左右交替 ±0.20 m、8.0 × 1.6 m patch、路程 6.8 m），桩高 0.06 → 0.20 m、中心距 0.43 → 0.46 m、位置噪声 0 → ±0.03 m 随难度递增；10 档课程通过整段地形升级、走不到 25% 则降级，速度指令随跟踪率自适应上调（0.3 → 0.8 m/s）；
• 奖励与约束：前进进度（用实际位移而不是轮速，避免"空转刷奖励"）+ 速度/偏航跟踪 + 姿态与机身高度约束 + 轮滑 + 力矩/功率/动作变化率 + 机身碰撞惩罚 + 到达终点加分（按桩覆盖率打折），并按赛事规则加入逐桩约束（新踩上一根桩 +2、踩满整段 +20、≥2 个轮子触坑底每步 −2）；
• 观测：actor 326 维 = 53 维本体状态 + 273 维局部高度扫描（21 × 13，1.6 × 1.0 m，0.08 m 分辨率）；
• 工程化：一键 setup_env.sh（并行测速 7 个 PyPI 镜像 → 写默认源 → 环境检查 → uv sync，缺 uv 时自动安装）；三个 CPU 可跑的冒烟脚本（模型契约校验 / 四任务 build-reset-step / 一次 PPO 迭代）；CI 拆成三个 job（静态检查、go2w 契约、训练链路冒烟）。

关键排障经验（我认为这是这个项目最有价值的部分）：

• 物理接触参数：ccd_iterations < 8 时 MuJoCo-Warp 完全不生成轮-地接触（机器人直接穿地），≥ 8 与 80 的结果完全一致；而 warp 的 EPA 缓冲随该值线性放大，40960 环境 × ccd=80 要 22.8 GB 显存直接 OOM，取 16 只要 5.3 GB；
• 显存与地形规模：48 GiB 卡上，8 m 梅花桩地形（391 个 geom）× 40960 环境必 OOM，降到 20480 环境可稳定训练（约 101 次迭代 / 24 h）；
• 训练行为退化：同一份权重从 500 迭代到 600 迭代，覆盖率涨到 0.85，却开始"趴在桩上磨时间、不再过终点"。我没有只看奖励曲线，而是把两段回放放在一起对照，把曲线、行为和对应的奖励修复一起记进 docs/TRAINING.md。

训练记录与回放（仓库内文件，点击查看）：

完整的曲线分析与奖励改动见 docs/TRAINING.md，梅花桩地形 / 课程 / 奖励 / 终止条件的说明见 docs/STEPSTONE.md，移植与源工程的差异见 docs/PORTING.md。

真机感知接口：我把 Odin1（点云 / IMU / 里程计）与仿真高度扫描统一成同一套 TerrainFrame 契约和 273 维局部地形观测编码，补上 sim2real 的噪声、丢点、FOV 掩膜与延迟增强，并用 42 项单元测试 + 与训练观测逐元素比对的黄金测试（max|diff| = 0.0）保证"仿真里看到的"和"真机上看到的"是同一个东西。

仓库入口：https://github.com/wusi321/16DOF-WheelLeg-RL

四、8DOF 双轮腿强化学习工程 ​

背景与问题：16DOF 平台之前的 8DOF 双轮腿是同一条技术路线的起点。我需要一个独立的训练工程，让机械、机器人描述与训练代码边界清晰，能单独迭代而不牵动整机仓库。

我做了什么：

• 8 个执行关节：左右髋、大腿、膝、轮；50 Hz 策略、200 Hz 物理仿真；
• 观测设计：保留速度指令、姿态、关节位置/速度与上一动作；默认盲训，可在环境配置中启用 height scanner / raycast critic；
• 课程体系：
  • 基础课程：自动平衡站立、前后与横向移动、原地旋转、轮式与腿式运动切换；
  • 进阶课程：平地、斜坡、布朗 / Perlin 粗糙地形、矮墙与两种楼梯，障碍高度统一不超过 12 cm；
  • 恢复课程：摔倒后站起、蹲下、趴下、翻滚，恢复奖励使用进度势函数，避免策略在坏状态上"刷奖励"；
• 随机化：推扰、摩擦、质量、执行器与延迟随机化，速度与关节速度设置上限；
• 工程链路：SolidWorks 导出的 URDF 经 urdf_to_mjcf.py 规范化关节命名并转换为训练用 MJCF；训练脚本支持分段验收（先 5 iteration smoke test，再启动 12000 iter × 2048 env 的长训练），使用 W&B（项目名 wheelleg-rl）记录，服务器侧用 uv 管理环境，并提供 Windows / Ubuntu 双平台入口。

训练数据记录（Weights & Biases）：训练曲线与指标记录在 W&B 项目中 —— wandb.ai/liucunfu2005-/mjlab（若提示需要登录，可通过下方邮箱向我索取导出的曲线图）。

为什么这样设计：训练最容易失控的地方是"改了参数却说不清改了什么"。因此我把课程、随机化、奖励和观测拆成可配置项，并固定记录一组指标（站立高度/姿态、各轴速度跟踪、轮速跟踪、动作变化率、关节速度越界率、摔倒率、恢复成功率与耗时），让每次训练都可对比、可复盘。

移动训练效果（内嵌预览） ​

下面是该工程训练过程中录制的移动训练视频（原视频 2320×1440 / 60 fps / 56 秒；此处为压缩预览版，便于网页直接播放）：

8DOF 双轮腿强化学习策略移动训练过程

原片体积约 447 MB，未随仓库托管；如需原始素材，可通过邮箱或文末的开源交流群联系我。

机械与机器人描述 ​

8DOF 双轮腿总装

URDF 导出后在 CAD 中核对各连杆坐标系与关节轴向，确保模型与仿真一致

仓库入口：https://github.com/wusi321/8DOF-WheelLeg-RL

五、6DOF 双轮腿全栈开发综合考核设计 ​

背景与问题：团队需要一种方式，快速判断一名后继者是否具备从机械到控制、从仿真到通信的完整工程能力，而不只是"会写一段代码"。于是我设计并开源了这套考核。

我做了什么：把全栈能力拆成 12 个模块、满分 150 分 的可评分体系，每个模块都给出题目、交付物与评分细则：

考核设计的核心约束：所有模块必须使用同一套尺寸、质量、坐标系与接口，不允许提交互相独立的小实验——这直接对准了真实项目中"机械与模型不一致、仿真与实机脱节"的高频问题。参赛者需要建立从 CAD → URDF/Xacro → Gazebo/ROS 2 → C++ 控制器 → Sim2Sim → MCU/CAN → Git 版本管理的可复现闭环。

评分与协作规范：明确列出严重扣分项（git add . 一步 final 提交、未注明的他人代码、CAD 与 URDF 不一致、用 Python 替代核心 C++ 控制器、缺少 Sim2Sim 或缺少模块开发历史）与加分项（自动部署、自动测试、Docker、CI/CD、统一仿真/实机接口）；提交采用 submission/<姓名>/<版本> 分支 + Pull Request 到 develop 的流程，保留真实 Commit 历史。

仓库入口：https://github.com/wusi321/WheelLeg-FullStack-Challenge

六、AUPT · 多 Linux 发行版包管理器调度工具 ​

背景与问题：不同 Linux 发行版的包管理命令彼此割裂（Ubuntu 用 apt、Arch 用 pacman、CentOS 用 dnf、还有 snap / flatpak），换一台机器就要重新记一套命令；镜像源配置与排障也高度重复。我希望能用一个统一入口把这些差异屏蔽掉。

我做了什么（Python 独立开发）：

• 统一命令入口：aupt <manager?> <action> <package> [options]，统一 install / remove / update / upgrade / search / info / mirror / doctor / clean / config / benchmark；
• 自动识别发行版并选择包管理器，优先级 apt/pacman/dnf/zypper → flatpak → snap，同时支持强制指定（aupt apt install nginx）；
• 镜像源自动优化：自动测速、选择最快镜像、改写配置并刷新索引（aupt mirror auto / list / switch tuna）；
• 版本控制：支持 aupt install gcc==9、aupt install python@3.10 等写法与自动解析、fallback；
• 系统诊断：aupt doctor 一键检查包管理器、网络与镜像源状态。

工程化设计：采用分层 + 插件架构（core/ 调度与检测、backends/ 各包管理器后端、cli/、utils/、database/ 数据表、plugins/ 扩展位），新增一种包管理器只需实现一个 backend；通过 pyproject.toml 的 console_script 暴露命令，提供用户级 / 系统级安装脚本与卸载脚本，并兼容 Python 3.6 ~ 3.11+（含 Ubuntu 18.04 等低版本系统路径）。此外专门写了受限环境（容器 / 沙箱）使用指南，把需要 root 的功能与不需要 root 的功能明确分开。

兼容性验证：已适配并测试 Debian/Ubuntu 与 CentOS/RHEL（仓库含 Ubuntu 22.04 / Python 3.10 与 CentOS 8.9 / Python 3.12 的实测截图），Fedora / Arch / openSUSE 已按同一抽象层支持、持续补充测试。

仓库入口：https://github.com/wusi321/aupt

七、2026 年全国大学生电子设计竞赛 H 题 · 车载平衡滚球运动控制系统 ​

背景与问题：题面要求在车辆行驶、循迹、停车的同时，让横梁/管道上的 1 cm 钢珠稳定在目标位置——这是一个视觉测量 + 车辆运动控制 + 快速位置闭环的耦合问题，单一 MCU 很难同时兼顾实时性与算力。

我做了什么：以「视觉测量 / 主控运动 / 独立计时」三块硬件分工的方式完成整套作品，并把全部代码、文档、测试记录与设计报告开源：

通信链路设计（关键难点，全部在仓库中给出协议与帧格式）：MaixCAM → MCU 采用 115200 8N1、20 字节二进制帧 + CRC16；MCU → 调参台采用 9600 8N1、20 Hz 二进制遥测；运动遥测采用 32 字节 AA 55 帧；计时器通过 GPIO 电平门控并要求共地；图传走 HTTP/WebRTC。

调试方法论：仓库给出了严格的自下而上的调试顺序——先单独验证轮速与编码器方向、再验证 IMU 与灰度顺序、然后固定相机与管道完成位置标定、验证视觉帧 CRC 与超时回中、最后静态调位置闭环再做整车联调，并用调参台保存每次有效实验的遥测记录。设计报告同时提供 LaTeX 源码并附作品测试记录与评分表。

仓库入口：https://github.com/wusi321/2026-H-TI

八、ExamGuard · 考试反作弊系统（逆向工程） ​

背景与问题：这是一次以逆向工程为核心的实践。起点只有一份 PyInstaller 打包的 StudentApp.exe，我需要从中还原程序结构、理解通信协议并重建出可运行、可扩展的双端系统。

我做了什么：

• 使用 pyinstxtractor 解包 PyInstaller 产物，补全字节码、还原源码结构，输出详细逆向分析报告与静态分析笔记；
• 在还原的基础上重构出完整系统：教师端（TCP 服务端 + Tkinter GUI + SQLite 持久化）与学生端（TCP 客户端 + 后台监控 + 登录界面）；
• 通信协议：教师端监听 9527 端口，采用换行分隔的 JSON 行协议（login / heartbeat / log_data / cmd_start|stop_monitor / alert / cmd_lock / exam_time / file_transfer）；教师端每 3 秒在 9528 端口做 UDP 广播发现，学生端自动发现教师端；
• 监控能力：基于 psutil 枚举进程、基于 Win32 GetForegroundWindow 获取前台窗口标题，并对进程做风险分级（AI 工具 / 浏览器 / 聊天软件 / 系统进程 / 其他）；
• 管控能力：远程锁定与关闭密码、告警生成、基于 TCP 的文件传输（JSON 头 + 二进制体）、通过 netsh advfirewall 自动配置 Windows 防火墙规则、SQLite 记录会话 / 监控日志 / 告警 / 文件记录。

这次实践的价值：它把"读懂别人的代码"变成了可交付的工程能力——从二进制产物中还原协议与架构，再用规范的模块划分重新实现，这个能力直接迁移到实际工作中的遗留系统维护与协议对接。

仓库入口：https://github.com/wusi321/ExamGuard

技术栈总览 ​

关于这份作品集 ​

• 贡献边界：项目一（16DOF 轮足全开源）与项目二属于团队开源成果，我在其中的角色与具体职责已在对应章节明确标注；项目三至项目八为我个人主导开发。
• 开源与署名：上述仓库除团队项目外均采用 MIT 协议；引用第三方依赖、模型与素材时遵循其各自许可证。
• 可验证性：每个仓库都提供 README、目录说明与可运行入口（安装、训练、回放、构建），论文式结论不写、可复现路径必给。

联系我 ​

• GitHub：github.com/wusi321
• 邮箱：19589917063@163.com
• 简历：如需简历，请邮件联系本人获取
• QQ 开源交流群：767195310（也欢迎在群里交流轮足机器人、强化学习与部署问题）

以上是我在机器人方向的主要工作，欢迎通过 GitHub、邮箱或交流群与我交流。