前提说明：为什么不建议在云端直接跑渲染？#
我最开始的目标是：训练、渲染、视频录制全部在 AutoDL 上完成，不经过本地运行。
然而现实是：
即使用 Xvfb 等虚拟显示器启动 Isaac Gym，也会发生视频保存全黑的情况。
VNC 远程桌面也无法正常显示 Isaac Gym 的渲染窗口。
根本原因来自 驱动版本过高与 Isaac Gym 对驱动的强依赖。
因此更推荐：在云服务器训练模型 → 本地 Ubuntu 加载策略进行测试与演示。
可以在云服务器中进行训练然后在本地进行测试，这是我目前发现的比较好的方式，本地使用的是ubuntu系统，最后算是可以正常演示。
当前的问题都是基于我完全使用autodl上进行的尝试，希望可以对大家有所帮助，少踩坑。
训练阶段#
python train.py --config BIRL --name <name>
--name
存放路径experiments/<name>/
--config
选择配置文件，默认：BIRL
--resume
恢复训练
eg：python train.py --name stand --resume --path experiments/stand/checkpoints/policy_40000.pt
--render
开启画面显示（isaac gym窗口）
--fix_cam
视角固定在机器人上方
--horovod
多gpu训练
--r l_device
训练设备设置
默认cudo0，可以改为cpu等
--num_envs
环境数量
--seed
随机种子，利于复现
--max_iterations
最大训练迭代次数
image-20251121103327885
查看结果#
云端可能出现 6006 端口占用 的情况，需要手动释放。
1. 安装 lsof
apt-get update
apt-get install lsof -y
2. 查看端口占用
lsof -i :6006
3. 杀掉进程
kill -9 <PID>
4. 重新启动 TensorBoard
tensorboard --logdir experiments/<name>/log --port 6006
image-20251121103256106
运行训练好的策略 play.py#
python play.py --render --name <name> 加载训练好的策略，开始跑模拟器
--render 显示画面
--fix_cam 相机固定跟随机器人
--cmp_real 与真实机器人采集的数据对比绘图
--plt_sim 显示仿真数据的曲线图（如关节角、速度等）
--num_envs 改变并行环境数量
--video 开启视频录制，保存到 videos/ 文件夹，必须配合 --render
--time 玩多少秒
--iter 指定用哪一轮的模型，默认加载目录下最后一个 policy
--epochs 重复评估多少次，用来统计平均性能
--debug 保存仿真数据到 Excel
导出ONNX模型#
python export_pt2onnx.py --name <name>
把 .pt 权重导出为 .onnx，便于部署到嵌入式设备、Jetson、Unity 等。
加载（调试）urdf模型#
python tune_urdf.py
测试你的机器人 URDF 是否正常加载，检查质量参数、碰撞体、关节限位，也可微调模型参数
自动调参PID（tun_pid.py）#
python tune_pid.py --mode <mode>
--model
sin 发送正弦信号测试电机响应
real 上传真实机器人数据进行比较
reset 恢复初始值，不进行测试
错误#
Headless 环境无法渲染#
云服务器默认无显示设备。
临时方案：使用虚拟显示：Xvfb（首先进行pip下载）
Xvfb :1 -screen 0 1024x768x24 & #启动 X Server
export DISPLAY=:1 #设置环境变量
注意：但这只能让程序“以为”自己有显示，无法保证正常渲染！
使用autodl远程连接，play.py 视频录制仍为黑屏#
image-20251121211032490
原因分析：原因：云端 GPU 驱动版本过高（如 570 系列），超过了 Isaac Gym 的兼容范围。
Isaac Gym 对渲染器依赖的驱动版本非常敏感，驱动过新 → 渲染器初始化失败 → 视频录制为纯黑。
目前找到比较好的方案是：云端只做训练，本地 Ubuntu 运行 play.py。
最后的最后再次说明，目前我认为比较稳妥、推荐的流程是：云端训练（AutoDL）→ 本地 Ubuntu Play 与可视化。云端的 headless 环境与高版本驱动目前无法可靠支持 Isaac Gym 的图形渲染与视频录制，本地则能完美解决所有渲染相关问题。
