Docker容器化部署ROS与GenLoco：打通宇树四足机器人强化学习仿真到实机控制全链路

1. 为什么需要Docker容器化部署ROS与GenLoco

在机器人开发领域，最让人头疼的问题之一就是环境配置。不同项目依赖的ROS版本可能不同，各种库的版本冲突更是家常便饭。我去年就遇到过这样一个坑：一个项目需要ROS Noetic，另一个项目必须用ROS Melodic，来回切换环境差点让我崩溃。直到开始使用Docker，这些问题才迎刃而解。

Docker容器化部署最大的优势在于环境隔离和可移植性。想象一下，你花了两周配好的开发环境，同事只需要一条命令就能完全复现，这能节省多少时间！特别是对于宇树Aliengo这样的四足机器人开发，涉及ROS、强化学习框架、机器人SDK等多个复杂组件，用传统方式配置环境简直就是噩梦。

GenLoco作为谷歌Motion Imitation的升级版，对Python和TensorFlow版本有严格要求（必须Python 3.7 + TensorFlow 1.15.4）。这个组合在现代开发环境中已经相当"古董"了，很容易与其它项目产生冲突。我在实际项目中就遇到过因为numpy版本不兼容导致GenLoco训练崩溃的情况，最后不得不重装系统。如果当时用了Docker，可能五分钟就能解决问题。

2. 搭建Docker开发环境

2.1 安装Docker与NVIDIA支持

在Ubuntu 20.04上安装Docker其实很简单，但有几个关键点需要注意。首先确保卸载旧版本：

bash复制sudo apt-get remove docker docker-engine docker.io containerd runc

然后执行官方推荐的四件套：

bash复制sudo apt-get update
sudo apt-get install apt-transport-https ca-certificates curl gnupg lsb-release
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg
echo "deb [arch=amd64 signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io

重要提示：如果你打算在容器内使用GPU加速（强化学习训练必备），必须安装NVIDIA Docker支持：

bash复制distribution=$(. /etc/os-release;echo $ID$VERSION_ID) \
   && curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add - \
   && curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt-get update
sudo apt-get install -y nvidia-docker2
sudo systemctl restart docker

测试GPU是否可用：

bash复制docker run --gpus all nvidia/cuda:11.0-base nvidia-smi

2.2 配置ROS Melodic容器

官方提供的ROS镜像已经非常完善，我们可以直接基于osrf/ros:melodic-desktop-full进行扩展。这是我优化过的Dockerfile：

dockerfile复制FROM osrf/ros:melodic-desktop-full

# 设置中文环境（避免乱码）
ENV LANG C.UTF-8
ENV LC_ALL C.UTF-8

# 安装基础工具
RUN apt-get update && apt-get install -y \
    git wget vim tmux htop \
    python-catkin-tools python-pip \
    ros-melodic-moveit ros-melodic-gazebo-ros-pkgs \
    ros-melodic-gazebo-ros-control \
    && rm -rf /var/lib/apt/lists/*

# 配置bashrc
RUN echo "source /opt/ros/melodic/setup.bash" >> ~/.bashrc \
    && echo "export TERM=xterm-256color" >> ~/.bashrc

# 创建工作空间
RUN mkdir -p ~/catkin_ws/src
WORKDIR /root/catkin_ws

构建镜像：

bash复制docker build -t ros-melodic-genloco .

启动容器时要注意几个关键参数：

bash复制docker run -it --gpus all \
    -v /tmp/.X11-unix:/tmp/.X11-unix \
    -v $HOME/GenLoco:/root/GenLoco \
    -e DISPLAY=$DISPLAY \
    --network=host \
    --privileged \
    --name ros_genloco \
    ros-melodic-genloco

这里有几个实用技巧：

1. --network=host让容器使用主机网络，方便ROS节点通信
2. --privileged赋予容器访问硬件设备的权限（比如机器人USB接口）
3. -v $HOME/GenLoco:/root/GenLoco把本地项目目录挂载到容器内

3. 配置宇树机器人开发环境

3.1 安装宇树SDK与ROS驱动

宇树官方提供了完善的SDK和ROS支持，我们需要在容器内配置这些组件。首先克隆必要的仓库：

bash复制cd ~/catkin_ws/src
git clone https://github.com/unitreerobotics/unitree_ros.git
git clone https://github.com/unitreerobotics/unitree_legged_sdk.git

常见坑点：宇树SDK需要LCM（Lightweight Communications and Marshalling）库支持，必须手动安装：

bash复制wget https://github.com/lcm-proj/lcm/releases/download/v1.4.0/lcm-1.4.0.zip
unzip lcm-1.4.0.zip
cd lcm-1.4.0
mkdir build && cd build
cmake ..
make
sudo make install

然后是Boost库（SDK依赖）：

bash复制sudo apt-get install libboost-all-dev

编译时可能会遇到头文件找不到的问题，这是我的解决方案：

1. 修改unitree_legged_sdk/CMakeLists.txt，添加：

cmake复制include_directories(./include)

2. 在unitree_ros/reinforce_controller/CMakeLists.txt中替换以下内容：

cmake复制include_directories(${CMAKE_SOURCE_DIR}/unitree_ros/unitree_legged_sdk/include)
link_directories(${CMAKE_SOURCE_DIR}/unitree_ros/unitree_legged_sdk/lib)
string(CONCAT LEGGED_SDK_NAME libunitree_legged_sdk_amd64.so)

最后编译整个工作空间：

bash复制cd ~/catkin_ws
catkin_make -j$(nproc)
source devel/setup.bash

3.2 配置ROS to Real通信

宇树机器人通过UDP与主机通信，需要正确配置网络参数。在reinforce_controller/yaml/目录下的配置文件中，有几个关键参数需要注意：

yaml复制robot_ip: 192.168.123.161  # 机器人默认IP
local_ip: 192.168.123.162  # 主机IP
control_port: 8080         # 控制指令端口
state_port: 8081           # 状态反馈端口

实测技巧：如果使用有线连接，建议设置静态IP：

bash复制sudo nmcli con add con-name "aliengo" type ethernet ifname enp3s0 ip4 192.168.123.162/24
sudo nmcli con up aliengo

测试通信是否正常：

bash复制roslaunch unitree_legged_real real.launch rname:=aliengo ctrl_level:=lowlevel

如果看到"UDP connection established"日志，说明通信正常。

4. 集成GenLoco强化学习框架

4.1 配置Python环境

GenLoco对Python环境要求非常严格，必须使用conda创建独立环境：

bash复制conda create -n genloco python=3.7
conda activate genloco
pip install protobuf==3.19.0 tensorflow==1.15.4 gym==0.17.1 pybullet

重要提示：必须先安装protobuf再装TensorFlow，否则会出现序列化错误。我在三个不同的项目上都踩过这个坑。

克隆GenLoco仓库：

bash复制cd ~
git clone https://github.com/erwincoumans/GenLoco.git
cd GenLoco
pip install -r requirements.txt

4.2 训练自定义运动策略

GenLoco支持多种运动模式，以下是一个训练示例：

bash复制python3 motion_imitation/run.py --mode train \
    --robot aliengo \
    --motion_file motion_imitation/data/motions/aliengo_pace.txt \
    --int_save_freq 100000 \
    --visualize

关键参数说明：

• --randomized_robot：启用形态随机化（提升泛化能力）
• --phase_only：仅使用相位信息（简化训练）
• --int_save_freq：模型保存间隔（按样本数计算）

训练技巧：

1. 初期可以先用小样本测试流程是否正常：

bash复制--timesteps_per_actorbatch 2048 --optim_batchsize 256

2. 正式训练时建议使用大batch size：

bash复制--timesteps_per_actorbatch 8192 --optim_batchsize 512

3. 如果出现NaN损失，尝试调小学习率：

bash复制--optim_stepsize 5e-5

4.3 模型部署到真机

将训练好的模型部署到Aliengo需要几个关键步骤：

1. 修改通信配置（motion_imitation/real_a1/a1_robot_real.py）：

python复制recv_IP = "127.0.0.1"  # ROS端IP
recv_port = 8000       # 接收端口
send_IP = "127.0.0.1"  # 机器人IP
send_port = 8001       # 发送端口

2. 启动ROS控制节点：

bash复制roslaunch reinforce_controller rl_control_real.launch config_file:=aliengo_config.yaml

3. 在另一个终端启动LCM节点：

bash复制rosrun reinforce_controller position_lcm

4. 最后启动GenLoco策略：

bash复制python motion_imitation/run.py --robot real_aliengo \
    --mode test \
    --model motion_imitation/data/policies/aliengo_pace_model.zip \
    --phase_only

安全提示：首次部署时一定要用安全绳悬挂机器人，并准备好急停开关。我刚开始测试时就遇到过机器人突然失控的情况，幸好提前做了防护措施。