every-embodied开源教程系列：仅需Python基础，mujoco具身机械臂采集数据和数据可视化

这是一个针对具身智能研究者的实用教程，展示了如何仅凭Python基础，通过MuJoCo仿真环境实现机械臂的数据采集和可视化。教程详细演示了从环境配置到数据采集的完整流程，为后续算法训练提供了数据基础。

智能速览

• 仅需Python基础即可上手MuJoCo机械臂操作

• 支持多视角数据采集，包括环境、背部和腕部相机

• 键盘示教模式实现精准动作录制

• 数据保存为parquet格式便于后续处理

• 内置可视化工具回放采集轨迹

精华内容

下面将详细介绍如何搭建环境并完成数据采集，整个过程包括依赖安装、配置设置和实际操作三个关键步骤。

环境搭建

首先需要创建Python 3.10环境，使用conda create命令创建独立环境。随后安装核心依赖包，包括torch、mujoco和相关工具库。

特别需要注意的是torch版本匹配问题，建议使用CUDA 12.4版本，通过指定安装命令避免版本冲突。

安装完成后，通过python命令验证torch是否正确安装并支持CUDA加速。

配置准备

在采集数据前，需要启动Jupyter Lab环境并加载相关notebook文件。教程提供了1.collect_data.ipynb用于数据采集，2.visualize_data.ipynb用于后续可视化。

配置文件中的路径设置尤为重要，需避免中文字符路径，确保数据保存位置正确。

MuJoCo版本需确认是3.1.6，否则可能出现兼容性问题。

数据采集

采用键盘示教方式进行数据采集，WASD控制水平移动，RF控制升降，空格键控制夹爪开合。Q/E键实现翻转，T/G键控制俯仰，Z/C键调整偏航。

采集过程中系统会实时显示当前帧数和模拟时间。教程示例中采集了275帧数据，完整记录了机械臂的运动轨迹。

数据自动保存为parquet格式，包含多视角图像和关节状态信息。

数据可视化

使用内置的可视化工具可以回放采集的数据轨迹。通过2.visualize_data.ipynb加载采集的数据文件，设置渲染参数后启动MuJoCo查看器。

可视化过程支持多视角切换，能够清晰观察机械臂在每个时刻的状态。若对轨迹不满意可返回重新采集。

可选功能包括保存其他格式的状态文件，便于不同算法框架使用。

这个教程为具身智能研究者提供了从零开始搭建数据采集系统的完整方案。通过标准化的流程，即使是初学者也能快速掌握机械臂数据采集技术。下一步将介绍如何使用采集的数据训练ACT算法，构建完整的具身智能应用链条。