备战TCEI 2026 (一) 机器狗赛道

如火如荼的EICON 2025线下大赛已经结束，长达3个月的比赛全程可谓是异常的激烈。很多同学在最后的线下决赛阶段直接睡在了比赛场地，为了争取一个毫不后悔的成绩。

现在，规模更大，赛制更完善、赛程更丰富新一届大赛已经开始筹备。大赛名称也从EICON China升级为了具智大师TCEI（Technical Conference on Embodied Intelligence） 无人系统大赛。

很多同学在得知这样一场规模和等级都空前之高的赛事时，大赛的报名时间已经所剩无几，甚至报名时间已经结束。

为了弥补去年一部分同学的遗憾，平台将会把去年的机器狗赛道线上仿真预赛环境重新上线，也再次整理和优化的整个的环境搭建过程。供希望学习的同学重新体验一下去年的比赛环境。

备战TCEI 2026系列

让我们从机器狗赛道，即四足机器人开始。

比赛规则与比赛文件

首先，我们来回到官网介绍一下机器狗规则赛道。

机器狗赛道比赛规则

另外，我们需要准备赛道的比赛文件。在提供百度网盘中查找这些文件。

机器狗赛道比赛文件，比赛文件中的介绍markdown文件为本地环境搭建。但是参赛同学本地环境和文档作者的环境一般不同的，如果系统上已经安装了部分环境，版本可能会不一致。此时在本地环境进行安装会比较复杂。利用算力自由平台，我们可以在云端获得干净环境，从而快速搭建环境。

也可以部分参考比赛培训视频： 机械臂赛道培训视频

我们可以看到比赛的环境包括了：

• 源代码
• ROS 1
• IsaacSim 4.5
• yolo V8
• 九格大模型

这其中，类似ROS1和IsaacSim 4.5都是对ubuntu、python等内容非常严苛的框架。所以平台提供了对应的镜像来方便用户快速搭建环境。

EICON大赛专用-IsaacSim4.5+ROS1开发环境镜像

由于镜像内的noVNC版本比较老，不支持直接复制粘贴，先参考这个文档升级VNC(https://www.gpufree.cn/docs/guide/know_issue/novnc_clipboard.html)。

使用平台镜像快速创建

点击上方的链接，直接进入平台镜像页面。在开始的环境搭建阶段，我们需要一卡就足够了。直接点击快速创建。

镜像页面中有快速启动和已知问题是必须参考的内容，页面中的详细说明后续还会用到。

初次使用算力自由平台，可以参看平台快速开始文档。

专用镜像体积较大，可能需要较长的拉取时间，需要几分钟或者十几分钟的等待。开机过程是不会收取算力费用的。

开机完成会自动弹出VNC远程桌面，或者可以自行在控制台打开VNC页面。

为了方便后续复制粘贴命令，可以使用实例远程桌面内的firefox浏览器打开本网页。

下载源码

将分享的百度盘的源码文件夹下的Go2和EAICON放在/root/gpufree-data文件夹下。可以在远程桌面中的浏览器，安装百度网盘linux deb版本，进行下载。

或者

# 安装4.17.7版本，是当前最新版本。未来可能会有更新。
cd /root/gpufree-data/
wget https://039ede-1874119700.antpcdn.com:19001/b/pkg-ant.baidu.com/issue/netdisk/LinuxGuanjia/4.17.7/baidunetdisk_4.17.7_amd64.deb
dpkg -i baidunetdisk_4.17.7_amd64.deb

将源码拷贝到/root/gpufree-data/文件夹下，形成如下文件目录：

/root/gpufree-data/
├── Go2/
└── EAICON/

将EAICON中的相关类库复制到IsaacSim下：

cp /root/gpufree-data/EAICON/Content/Go2/lidar/L1.json /root/isaacsim/exts/isaacsim.sensors.rtx/data/lidar_configs/NVIDIA/

# 安装Go2
cd /root/gpufree-data/Go2
catkin_make
# 配置bashrc
echo "source /root/gpufree-data/Go2/devel/setup.bash" >> ~/.bashrc
source ~/.bashrc

ROS 1环境

ROS 1环境是已经预装的，在快速启动中包括了他的启动方式：

直接开启三个终端：

终端一

roscore     # 启动 ROScore

终端二

rosrun turtlesim turtlesim_node

终端三

rosrun turtlesim turtle_teleop_key

结果输出

使用键盘上下左右操作，可以看到界面上的小乌龟在按照键盘指令移动。测试完成后可以关闭终端一二三。

IsaacSim 4.5环境

注册IsaacSim

echo "export ISAACSIM_PATH=\"/root/isaacsim\"" >> ~/.bashrc
echo "export ISAACSIM_PYTHON_EXE=\"/root/isaacsim/python.sh\"" >> ~/.bashrc
source ~/.bashrc

新建独立的终端四

终端四

IsaacSim安装在/root/isaacsim

cd /root/isaacsim
# 启动
./isaac-sim.sh

首次启动，需要访问Nvidia官方下载部分相关文件，可能会较慢。在使用之前，建议关闭IsaacSim默认的Eco Mode,并打开DLSS以提高性能。

测试完成后关闭终端四。

yolo V8环境安装

yolo V8的安装相对比较简单，需要我们自行安装。建议先设置GitHub加速，

终端五

# 安装yolo V8
conda create -n yolov8 python=3.8

安装过程需要输入几次回车或者'y'。

conda activate yolov8
# 安装pytorch
# pytorch推荐在官网获取安装命令，根据自己的cuda版本选择合适的命令。
# 如果选择平台提供的镜像，相关cuda是确定的，可以使用以下命令
pip3 install torch torchvision
# 拉取yolo V8代码
cd /root/gpufree-data
git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
# 安装yolo V8
pip install -e .

完成后可以关闭终端五。

九格大模型环境安装

在官方的百度网盘下载比赛专用源码： 九格大模型比赛文件

文件非常大，有大概8GB，仅下载比赛专用源码，百度网盘下载模型文件在没有会员的情况下非常缓慢。模型我们后续在九格官方下载。速度会快得多。

终端六

下载九格大模型：

cd /root/gpufree-data
mkdir inference
mkdir inference/FM9G4B-V
# 此处官方文档的下载内容有误，最后的文件名应该是FM9G4B-V，而不是主分支的9G4B
wget https://thunlp-model.oss-cn-wulanchabu.aliyuncs.com/FM9G4B-V.tar.gz
# 解压
tar -xvf FM9G4B-V.tar.gz
mv FM9G4B-V/* inference/FM9G4B-V/

将下载的Embodied文件夹放在之前创建的/root/gpufree-data/inference文件夹下。形成这样的文件目录：

/root/gpufree-data/inference/
├── FM9G4B-V/
└── Embodied/

创建虚拟环境inference并安装依赖

conda create -n inference python=3.10

安装过程需要输入几次回车或者'y'。

conda activate inference
cd /root/gpufree-data/inference/Embodied
# 安装依赖
pip install -r requirements.txt
# 缺少一个类库，手动安装
pip install protobuf
# conda环境下，需要设置LD_LIBRARY_PATH，否则会缺少类库
echo "export LD_LIBRARY_PATH=/opt/conda/envs/inference/lib/python3.10/site-packages/nvidia/cudnn/lib:$LD_LIBRARY_PATH" >> ~/.bashrc
source ~/.bashrc

测试模型

cd /root/gpufree-data/inference/Embodied/inference
# 修改test.py的模型文件夹
# 将test.py中的/model/FM9G4B-V修改为/root/gpufree-data/inference/FM9G4B-V
sed -i 's|/model/FM9G4B-V|/root/gpufree-data/inference/FM9G4B-V|g' test.py

python test.py

输出下图即为测试成功：

至此，环境搭建完成。可以关闭所有的终端窗口。

运行四足机器狗仿真

# 终端一
roscore     # 启动 ROScore

# 终端二
cd /root/gpufree-data/EAICON
chmod +x run_go2_sim.sh
bash run_go2_sim.sh

# 终端三
#进入工作空间
cd /root/gpufree-data/Go2

#运行 launch文件
roslaunch go2_slam go2_bring.launch

界面将会显示：

大模型接口

​ 该版本通用大模型参数量为80亿，具有高效训练与推理和高效适配与部署的技术特点，具备文本问答、文本分类、机器翻译、文本摘要等自然语言处理能力。九格百亿级通用基础大模型的参数量为8B（80亿）。具体的模型训练、推理等内容见：quick start

​ 本表聚焦“九格”接口设计中与大模型相关的部分，将其抽象为模型加载、推理调用两大核心单元，具体接口列表如下：

接口名称	描述	调用方式	输入参数	输出	异常处理
模型加载接口	从本地或远程路径加载大模型及其 Tokenizer	AutoModel.from_pretrained AutoTokenizer.from_pretrained	- model_file (字符串)：权重与配置存放路径 - trust_remote_code (布尔)：是否信任远程自定义代码	- self.model (模型对象) - self.tokenizer (分词器对象)	捕获并 rospy.logerr，加载失败时置空并退出订阅流程
推理调用接口	根据输入图像与文本 Prompt，调用模型生成推理结果	model.chat(image=None, msgs, tokenizer=self.tokenizer)	- msgs (列表)：每项为字典

1.模型加载接口

  self.model = AutoModel.from_pretrained(
      model_file: str,
      trust_remote_code: bool = True,
      attn_implementation: str = 'sdpa',
      torch_dtype: torch.dtype = torch.bfloat16
  )
  self.tokenizer = AutoTokenizer.from_pretrained(
      model_file: str,
      trust_remote_code: bool = True
  )

参数说明

​ model_file：本地或远程路径，预训练模型权重与配置所在目录。

​ trust_remote_code：是否信任并执行仓库中的自定义代码。

​ attn_implementation 与 torch_dtype：可选优化参数。

输出说明

​ self.model：已加载并 eval() 的模型实例，已切换到 CUDA（若可用）。

​ self.tokenizer：对应的分词器，用于构造输入tokens。

异常处理

​ 捕获任何加载错误，调用 rospy.logerr("模型加载失败: %s", e) 并将self.model/self.tokenizer 置为 None，后续流程根据空值判断跳过订阅与推理。

2.推理调用接口

model_res = self.model.chat(
    image=None,
    msgs: List[Dict[str, Any]],
    tokenizer=self.tokenizer
)

输入说明

​ msgs：长度可变的消息列表，每条消息格式为：

{
  'role': 'user',
  'content': [pil_image: PIL.Image.Image, prompt: str]
}

​ pil_image：从最新 ROS 彩色帧转换而来。

​ prompt：用户或上层脚本动态输入的文本提示。

输出说明

​ model_res：大模型返回的推理结果，可为文本、结构化数据或二次封装，随后转换为字符串发布。

调用时机

​ 在 self.new_bbox_request == True 且最新图像帧已获取时触发。

异常处理

​ 推理过程中捕获任何异常并调用 rospy.logerr("调用大模型进行处理时出错: %s", e)，当前帧推理终止，不影响后续请求。

四足机器狗接口

1.运动控制接口

话题名称	消息类型	发布/订阅	功能说明
/cmd_vel	geometry_msgs/Twist	订阅	接收机器人运动控制指令（线速度和角速度）
/cmd_vel_x	std_msgs/Float32	发布	发布处理后的x方向线速度分量
/cmd_vel_y	std_msgs/Float32	发布	发布处理后的y方向线速度分量
/cmd_vel_yaw	std_msgs/Float32	发布	发布处理后的绕z轴的角速度分量
/odom	nav_msgs/Odometry	发布	发布机器人里程计信息（位置、姿态和速度）
/tf	tf2_msgs/TFMessage	发布	广播各坐标系之间的变换（坐标变换树）

2.传感器接口

话题名称	消息类型	发布/订阅	功能说明
/camera/front	sensor_msgs/Image	订阅	前视摄像头原始图像 用于机械狗的巡线
/camera/global	sensor_msgs/Image	订阅	全局摄像头
/lidar/points	sensor_msgs/PointCloud2	发布	发布三维点云数据
/scan	ensor_msgs/LaserScan	发布	发布二维激光扫描数据
/imu/data	sensor_msgs/Imu	发布	发布惯性测量单元数据，包括线加速度、角速度和姿态