备战TCEI 2026 (三) -- 人形机器人点球赛道

在机械臂和机械狗赛道之后，让我们一起来看一个比较有意思的赛道 -- 人形机器人点球赛道。

再次将官方的相关资料贴在下方：

• 人形机器人点球赛道比赛规则
• 人形机器人点球赛道比赛文件

另外可以参考比赛培训视频中关于题目和规则的部分：

• 人形机器人点球赛道培训视频

从比赛文件中可以看出，我们需要的环境包括了：

• 源代码
• 九格大模型
• Unity(linux版本)

我们选择基础镜像：

• Ubuntu 22.04 + noVNC

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)。

源代码

由于源代码在百度网盘，我们还是先安装百度网盘客户端。

我们可以在百度网盘客户端下载页面下载对应版本的客户端。 或者直接执行：

# 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

下载源代码点球赛.7z：

将源代码压缩包下载到/root/gpufree-data/目录下：

cd /root/gpufree-data/
# 解压源代码 点球赛.7z
7z x "点球赛.7z"
mv 点球赛-fixed/Unity-RL-Playground-main /root/gpufree-data/inference/
rm -rf 点球赛-fixed

最终形成如下路径：

/root/gpufree-data/inference/
|--Unity-RL-Playground-main
|--9G7B_MHA

安装九格大模型

新建一个单独的conda虚拟环境来处理。系统已经安装了conda，我们直接创建虚拟环境

# 创建一个名为inference的conda环境
conda create -n inference python=3.10

中间可能需要输入几次回车和 y 或者 a。

安装依赖、下载大模型并解压：

# 激活inference环境
conda activate inference
# 解压大模型
tar -xvf 9G7B_MHA.tar -C /root/gpufree-data/inference/
# 安装pytorch==2.9.1，由他的依赖自动选择torchvision
pip install torch==2.9.1 torchvision --index-url https://download.pytorch.org/whl/cu128
# vllm版本和transform版本虽然不匹配，但是可以运行
pip install vllm 
pip install transformers==4.44.0 \
    datamodel-code-generator \
    accelerate \
    jsonschema \
    pytrie \
    sentencepiece \
    protobuf \
    datamodel-code-generator==0.32.0 \
    bitsandbytes \
    fastapi \
    uvicorn
 
# 清理pip缓存节约系统盘
pip cache purge

下载九格大模型

# 在数据盘创建inference文件夹
mkdir -p /root/gpufree-data/inference
# 下载大模型
cd /root/gpufree-data
wget https://thunlp-model.oss-cn-wulanchabu.aliyuncs.com/9G7B_MHA.tar
tar -xvf 9G7B_MHA.tar -C /root/gpufree-data/inference/

测试大模型推理

# 创建测试脚本
conda activate inference
cd /root/gpufree-data/inference/
vim test_inference.py

贴入如下代码：

import os
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
if __name__ == "__main__":
    model_path = "/root/gpufree-data/inference/9G7B_MHA"  # 如果没有按照文档组织路径，需要修改为实际路径
    prompt = "山东最高的山是？"
    tokenizer = AutoTokenizer.from_pretrained(model_path, 
trust_remote_code=True)
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    model = AutoModelForCausalLM.from_pretrained(
        model_path, 
        torch_dtype=torch.bfloat16, 
        trust_remote_code=True
    )
    model.to(device)
    model.eval()
    prompt = tokenizer.apply_chat_template(conversation=[{"role": "user", 
"content": prompt}], add_generation_prompt=True, tokenize=False)
    inputs = tokenizer(prompt, return_tensors="pt")
    inputs.to(model.device)
    with torch.no_grad():
        res = model.generate(**inputs, max_new_tokens=256)
    responses = tokenizer.decode(res[0][inputs.input_ids.shape[1]:], 
skip_special_tokens=True)
    ai_answer = responses.strip()
    print(ai_answer)

执行测试脚本：

# 激活inference环境
conda activate inference
cd /root/gpufree-data/inference/
python test_inference.py

得出以下结果即说明推理正常：

仿真程序

创建ubuntu用户

因为Unity/团结引擎不能在root用户下运行，所以我们需要创建一个普通用户来运行。

# 创建一个普通用户ubuntu
useradd -m -s /bin/bash ubuntu
# 设置ubuntu用户的密码，建议设置为gpufree
passwd ubuntu

输入两遍密码后，继续执行以下命令：

# 一、给与ubuntu关键目录权限
usermod -aG sudo ubuntu
# 创建软连接，将我们的数据盘挂载到ubuntu用户下
ln -s /root/gpufree-data /home/ubuntu/gpufree-data
# 注意，由于云环境是一次性的，所以这些开放权限的问题不涉及安全问题。
# 如果是在本地环境，建议整体环境都在非root下执行。
# 给/home/ubuntu目录添加可执行权限
chmod 777 /tmp
chmod 777 /home/ubuntu
# 给/root目录添加可执行权限
chmod 777 /root
# 转移gpufree-data的owner
chown -R ubuntu:ubuntu /root/gpufree-data
# 改变/home/ubuntu目录的所有者和所属组为ubuntu
chown ubuntu:ubuntu /home/ubuntu

# 二、给与桌面权限
# 1. 复制root的X11认证信息给ubuntu用户
cp /root/.Xauthority /home/ubuntu/.Xauthority
chown ubuntu:ubuntu /home/ubuntu/.Xauthority

# 三、其他相关权限
# 以下内容主要方便来回切换启动用户启动其他软件。
# 如果非常的了解linux以及相关依赖和权限问题，可以酌情忽略。
# 允许ubuntu访问/opt目录（通常安装软件的地方）
chmod 755 /opt

# 允许ubuntu访问/usr/local目录
chmod 755 /usr/local

# 创建共享工具目录
mkdir -p /usr/local/shared
chmod 777 /usr/local/shared

# 设置.bashrc共享（可选）
cp /root/.bashrc /home/ubuntu/.bashrc
chown ubuntu:ubuntu /home/ubuntu/.bashrc

安装

由于unity和团结引擎在linux下安装比较复杂。建议在阅读文档后逐步操作，而不是复制粘贴。 由于团结引擎不需要VPN，本文以介绍团结引擎为主。 首先前往团结引擎官网注册账户：团结引擎官网

# 设置默认浏览器为firefox
xdg-settings set default-web-browser firefox.desktop
update-alternatives --install /usr/bin/x-www-browser x-www-browser /usr/bin/firefox 200 && \
update-alternatives --set x-www-browser /usr/bin/firefox && \
xdg-settings set default-web-browser firefox.desktop && \
export BROWSER=/usr/bin/firefox && \

# 下载安装
cd /root/gpufree-data
mkdir tuanjie
wget https://public-cdn.tuanjie.cn/hub/prod/tuanjiehub-amd64.deb
dpkg -i tuanjiehub-amd64.deb

切换到ubuntu用户,启动unity hub

su - ubuntu
# 启动unity hub
unityhub

打开页面后，登录或者注册一个账户。

登录，并按照自己注册的方式登录。

使用团结hub安装团结引擎： ，选择LTS版本。

其中将安装位置设定在我们创建的/home/ubuntu/gpufree-data/tuanjie/目录下。

安装的同时，我们创建一个免费的license， 点击manager license：

同意条款创建免费license。

然后将下载的点球项目导入团结引擎，选择左侧project，打开 /home/ubuntu/gpufree-data/inference/Unity-RL-Playground-main 目录：

单机项目，首次启动后，可能会转换版本，需要等待转换完成后打开。

至此所有基础环境搭建完成。

启动大模型api服务

比赛方预备三个大模型api文件，可以在这个百度网盘找到：大模型api文件

把这三个文件放在/home/ubuntu/gpufree-data/inference/目录下，

cd /home/ubuntu/gpufree-data/inference/
conda activate inference
# 修改fast_api_inference.py第55行，将模型路径修改为：/home/ubuntu/gpufree-data/inference/
sed -i '55s|/home/sun/sdb/temp/CPM-9G-8B/9Gmodel/|/root/gpufree-data/inference/|' fast_api_inference.py
# 修改最后一行，将ip改为0.0.0.0
sed -i 's|10.21.22.23|0.0.0.0|' fast_api_inference.py
# 启动服务
python fast_api_inference.py

测试大模型api服务是否正常：

# 另开一个终端
# 测试大模型api服务是否正常
curl -X GET "http://127.0.0.1:8080/health"
# 如下显示即为成功
> {"status":"healthy","message":"模型已加载并准备就绪"}

环境完全搭建完毕后，即可开始比赛。

量化模型

量化模型的完整代码位于 /root/gpufree-data/inference/fast_api_inference_LH.py:

# 执行量化模型代码：
conda activate inference
python fast_api_inference_LH.py

量化代码核心参数参考如下表格：

参数名称	可选值	核心作用	推荐场景与使用建议
load_in_4bit	True / False（默认False）	启用4-bit动态量化，将模型权重压缩为4位存储，显存占用直接降低75%（对比FP32）	显存严重受限场景（如消费级GPU运行7B+模型）；若显存充足且追求极致精度，可设为False
bnb_4bit_quant_type	"nf4"（推荐） / "fp4" （默认"nf4"）	控制量化算法，决定权重的4位表示方式：- nf4：NormalFloat4，基于权重正态分布优化，信息论最优- fp4：自定义浮点数4位，计算效率更高	精度敏感场景（如文本生成、复杂推理）选nf4；对精度要求低、追求极限速度选fp4
bnb_4bit_use_double_quant	True / False（默认False）	（默认False）	开启“嵌套量化”（双重量化），对已量化的权重系数二次压缩
bnb_4bit_compute_dtype	torch.float16 / torch.bfloat16	控制计算时的反量化精度（4bit权重解码后参与运算的数据类型）	英伟达Ampere架构及以后显卡（如RTX30/40系列、A100）选torch.bfloat16（硬件优化）；老显卡（如RTX 20系列）选torch.float16

量化后显存占用只有不到6GB，但相应的量化后会降低推理性能。

更多信息

至此只有源文档的宇树机器人相关接口了，此接口使用与平台没有联系，可以参考百度网盘中的点球赛场景应用挑战赛使用手册.pdf中的如下章节。