文章指出机器人研发正处于开源红利期，个人开发者可借助成熟开源框架在数周内跑通从仿真训练到真机部署的完整闭环。作者按技术栈分层整理了经过工程验证的开源项目：足式强化学习（rsl-rl、AMP、TienKung-Lab、unitree_rl_gym）、模仿学习（ALOHA-ACT、Diffusion Policy）、VLA 具身大模型（OpenVLA、Octo、LingBot）、一站式框架 LeRobot、传统动力学求解库（Pinocchio、Acados）、MuJoCo 仿真模型库，以及 Awesome 学习资源清单，并给出四步最简上手顺序建议。
作者用三周时间从零学习机器人学习（robot learning），从零复现了 ACT 和 Diffusion Policy 两个策略，在 PushT 基准上超越了所有公开的基于图像的 ACT 结果（65.6%），并在 MuJoCo 场景中训练机械臂以 99.95% 的成功率完成摆放酒杯任务。文中分享了超参数调优经验（如 n_action_steps 从 100 降到 16 的显著提升）、单变量实验原则，以及对 Moravec 悖论的切身体会：对人类简单的事情对机器人和 Claude 编程都很困难。作者还使用 Claude 生成 MuJoCo 场景和专家轨迹，发现遥操作可能比脚本化专家轨迹更高效。
本文详细介绍了如何从零完成 Microduck 双足机器人的强化学习训练与仿真全流程。文章使用 MuJoCo 物理引擎配合 Warp 在 RTX 4090 上并行运行 4096 个虚拟环境，通过 PPO 算法训练行走策略，并讲解了 61 维观测、奖励设计、域随机化、BAM 执行器仿真等核心概念。训练完成后将策略导出为 ONNX 文件，在 Mac mini 上进行 CPU 交互仿真验证，最终部署到实机。作者完整跑通了从环境配置、训练观察、checkpoint 选择到场景测试的工程流程，涵盖技术选型、软硬件要求和常见问题。
本文是一份详细的 Microduck 双足机器人 DIY 复刻教程。Microduck 高约 25cm，由 15 个 Dynamixel 舵机驱动，步态通过 MuJoCo 仿真器中强化学习训练后部署到真机，以 50Hz 频率运行 ONNX 神经网络实现闭环平衡控制。文章系统讲解了系统架构与控制链、舵机与关节顺序、61 维观测与 ONNX 部署契约、材料与工具清单、仿真环境搭建与训练流程等内容，分八个阶段指导读者完成从固定源码版本、跑通仿真、CAD 重建、硬件搭建到分级真机调试的完整复刻过程。
Microduck 是 Hugging Face 旗下 Poollen Robotics 推出的迷你双足具身智能开发平台，高约 25cm、重 800g，配备 15 个舵机和 RK3566 主控。其动态行走、自起、拾物、踢球、前滚翻及轮滑等动作均基于强化学习训练：使用 MuJoCo 仿真平台和 PPO 算法，结合域随机化建模齿隙、电压衰减与控制延迟，实现 Sim2Real 迁移，策略以 ONNX 导出端侧部署。软件采用 Rust 微服务守护进程架构，通过 Unix Socket + JSON-RPC 通信，robotd 独占底层控制并执行安全校验，updaterd 提供带签名校验与健康检查的自愈型 OTA 更新机制。
