核心总逻辑

你现在装的所有包，合在一起构成一条链路： MuJoCo物理仿真环境 → 强化学习策略（ONNX/torch） → BAM电机模型(better-actuator-models) → 输出关节控制量 → 驱动机器鸭动起来

---

1. mujoco

Microduck 的物理仿真引擎。 就是用来算鸭子刚体、关节、碰撞、重力、摩擦力的。你后面看到窗口里鸭子走路、摔倒、晃身子，全是它算出来的。

网页在线模拟器底层也是 mujoco。

2. mjlab==1.3.0

Pollen Robotics 自己封装的库，Microduck RL 训练框架主体。 把 mujoco 封装好，写好了机器鸭的机器人模型、观测采集、奖励函数、训练循环。你项目里大部分 python 代码都是基于 mjlab 写的。

3. better-actuator-models（bam，你本地单独装的）

电机动力学模型，重中之重。 真实舵机不是给一个角度就立刻到位，有阻尼、摩擦力、滞后。bam 就是仿真舵机的动态特性，让仿真里鸭子的电机行为贴近真实硬件。仿真和实物能对齐全靠它。

4. warp-lang

GPU 加速计算库，mjlab 强依赖。 mujoco 本身 CPU 跑很慢，warp 把仿真、地形、接触计算全部丢给显卡并行加速，没有它仿真会卡到没法看，训练也跑不动。

5. torch

PyTorch，强化学习训练用的神经网络框架。

• 训练的时候：用 torch 搭建策略网络、反向传播更新权重
• 推理（你现在跑 infer_policy）：其实不用 torch，只用 onnxruntime；但 mjlab 内部代码依赖它，所以必须装上

6. onnxruntime

ONNX 推理引擎。 就是加载你下载的 alpha_walking.onnx / happy_hop.onnx，每一帧接收鸭子状态，输出关节动作指令，你马上要跑的脚本核心就是它。 onnx 就是 torch 训练完导出给它跑的模型。

7. scipy

科学计算库。mjlab 内部地形生成、插值、信号滤波、姿态运算会偷偷调用。之前注释里也说了，mjlab 忘了声明这个依赖，不加就会 import 报错。

8. rustypot

和真实舵机通信的库（dynamixel 舵机） 👉 现在仿真阶段暂时用不到；等以后你拿到实体机器鸭，电脑 / 板子直接控制真实舵机的时候才会启用。

9. huggingface_hub

用来从 HuggingFace 下载策略模型（就是我们下 happy_hop、running.onnx 的底层工具），也可以上传你自己训练好的 onnx。

10. matplotlib

绘图，训练的时候画奖励曲线、观测数据折线图，调试步态用，仿真运行时不用。

11. nvidia-xxx 这一堆（nvjitlink、cublas、cudnn、curand……cu13）

全部是 NVIDIA CUDA GPU 底层库

• warp-lang、torch 想要调用你的 N 卡加速，必须依赖这一套
• cublas：GPU 矩阵运算（神经网络核心计算）
• cudnn：GPU 神经网络加速库
• nvrtc：实时编译 GPU 代码

这一堆体积巨大，也是你电脑容易高负载、黑屏重启的元凶。没有它们，warp 和 torch 就只能回退到 CPU，仿真巨慢。

12. triton

GPU 内核编译器，warp/torch 底层依赖，优化 GPU 上的计算代码。

---

一句话总结整条链路

mujoco 造虚拟鸭子世界 + mjlab 管理仿真流程 + bam 模拟舵机特性 + onnxruntime 跑走路策略模型 + warp+CUDA库 GPU 加速； torch 用来训练新模型，rustypot 对接实物舵机，huggingface_hub 下载别人做好的步态，matplotlib 画图调试。

现在这一堆全部装完，你就拥有了一套完整的 Microduck 仿真工作站，可以加载 onnx 看鸭子走路，后续还能自己训练新步态。

补充区分：

• 缺了 mujoco：没有鸭子模型、没有物理世界
• 缺了 bam：电机模型不对，仿真步态和真实机器人完全不一样
• 缺了 warp：GPU 加速失效，仿真卡成 PPT

等全部跑完，我们就可以复制 onnx，启动仿真看鸭子走起来了。