HICOOL 2026 全球创业大赛开发者挑战赛

在 MT Lambda Sim / MT Lambda Lab 训练机器狗（或选手自备轻量本体）完成一个单技能动作（坐立 / 握手 / 翻身 / 跨障 / 上下台阶等），完成 Sim → Real 迁移并真机演示。

第一阶段（方案 · 线上） — 提交《训练方案设计书》，包括动作选型与可行性论证、Reward Function 设计、Domain Randomization 策略、训练资源预估、Sim → Real 迁移路径、风险预案与备选方案。

评审关注：技术路线可行性、Reward / DR 设计合理性、资源使用经济性、Sim2Real 策略完备性、报告质量。

第二阶段（落地 · 线下） — 提交训练代码、策略权重、Sim2Real 部署脚本和真机现场演示。

评审关注：真机动作成功率（≥ 3 次重复）、动作稳定性（失稳次数）、训练样本效率（达标所需 env steps）、Sim-Real 性能 gap、现场表现。

通过第一阶段获得：MT Lambda Sim 在线训练配额 + 复赛期 S5000 1 卡 × 1–2 周 + 真机预约权。

在赛方指定展会舞台仿真场景中开发 ≥ 60 秒机器狗（或选手自备轻量本体）自主表演控制策略，最终 Sim + 真机双端复现。

第一阶段（方案 · 线上） — 提交《表演方案设计书》，包括场景理解与表演脚本、动作组合与编排逻辑、路径规划与场景交互设计、控制策略选型、Sim → Real 风险分析、音乐节拍同步设计（可选）。

评审关注：创意性、表演脚本丰富度、场景契合度、技术可行性、报告质量。

第二阶段（落地 · 线下） — 提交策略代码、Sim 场景配置、≥ 60 秒完整演示视频，并参加复赛 / 决赛现场演示。

评审关注：表演流畅度、Sim → Real 迁移完成度、动作组合丰富度。

通过第一阶段获得：MT Lambda Sim 在线 + Sim 场景资产包 + S5000 1 卡 × 1–2 周 + 真机预约权。

将已有或开源具身智能应用（控制 / 感知 / 操作 / 导航 / 规划）移植至摩尔 MT Lambda 技术底座，达成功能完整 + 性能可量化对比。

第一阶段（方案 · 线上） — 提交《移植方案设计书》，包括应用基础与原平台栈描述、IP 合法性证明、移植模块边界、算子覆盖与缺失分析、性能对齐目标、预期资源需求（包括但不限于算力需求）、风险与备选路径。

评审关注：移植路径合理性、性能对齐目标设定、对 MT Lambda 生态贡献度、IP 合规性、报告深度。

第二阶段（落地 · 线下） — 提交移植后完整工程代码、部署文档、MT Lambda vs 原平台对比 benchmark 报告（latency / 吞吐 / 显存 / 精度对齐数据）。

评审关注：功能完整度（vs 原版）、性能对齐度、移植工程量、可复现性、文档质量。

通过第一阶段获得：S5000 共享池 1–2 卡 × 1–2 周 + MUSA 算子答疑通道。

基于 MT Lambda 技术底座（Omniverse 兼容渲染 / 模拟数据生成 / 数采工厂 / 合成数据 pipeline 等）构建特定行业具身 demo，方向建议：工业拣选、物流装载、工厂巡检、服装制造、农业、消费服务、无人机等。

本赛题同时接受“行业任务 / 场景与数据构建”和“完整行业解决方案”两类成果。选手可任选其一提交。行业任务 / 场景与数据构建类不要求完成数据合成 → 训练 → 推理 → 演示完整闭环。

完整行业解决方案 — 第一阶段提交《产业应用方案设计书》，至少包括行业场景与商业价值论证、技术架构与 MT Lambda 组件使用清单、数据合成 → 训练 → 推理 → 演示闭环设计、商业化路径、预期资源需求（包括但不限于算力需求）和合作客户背书（可选）。第二阶段提交完整 demo 工程（含数据合成 → 训练 → 推理 → 演示）、行业价值分析报告，并参加复赛 / 决赛现场演示。

行业任务 / 场景与数据构建 — 第一阶段提交《行业任务与数据构建方案说明》，至少包括行业问题与任务价值、场景 / 本体 / 资产范围、任务状态与成功 / 失败条件、专家轨迹或合成数据生成方案、评测协议、资源预估及 IP / 数据合规。第二阶段提交可运行行业任务 / 场景、场景 / 对象 / 本体资产清单、数据生成脚本、评测脚本、示例数据 / 运行日志及复现文档，不要求提交模型训练结果或完成完整 demo 闭环。

评审关注：场景闭环度、技术完整度、MT Lambda 组件使用深度、商业化潜力、行业洞察、demo 现场表现、解决方案完整度、MT Lambda 平台契合度。行业任务 / 场景与数据构建类重点看行业代表性、任务定义完整性、数据生成方案、评测设计、可执行性、任务可运行与可复现性、合成数据有效生成率、任务难度与区分度、评测完整性及数据 / IP 合规。合成数据有效生成率指通过格式、完整性和任务约束检查的有效轨迹数 / 总生成轨迹数，不等同于模型任务成功率。

通过第一阶段获得：S5000 共享池；合作伙伴可自备训练资源。行业任务 / 场景与数据构建类同样使用赛方提供的摩尔适配镜像测试环境，具体测试资源与开放时间以赛方通知为准。

基于 S5000 完成 VLA / WAM / BFM 类具身大模型的训练 / 微调 / 移植，推荐以 RoboTwin 标准评测集作客观基线，或采纳其他权威评测标准。

本赛题同时接受“任务定义 / 数据构建”和“模型训练 / 微调 / 移植”两类成果。选手可任选其一提交，不要求同一项目同时完成。

模型训练 / 微调 / 移植 — 第一阶段提交《模型训练方案设计书》，包括起点模型选型、训练 / 微调 / 移植策略、训练数据来源与合规性、训练资源预估（含 GPU 卡数 × 时长）、RoboTwin（或其他主流 benchmark）目标分数。第二阶段提交训练 / 微调代码、模型权重、RoboTwin（或其他主流 benchmark）跑分日志、完整技术报告（含训练曲线、消耗资源、收敛 step 数）。

任务定义 / 数据构建 — 第一阶段提交《任务定义与数据构建方案说明》，至少包括任务价值与难度、对象 / 场景 / 本体及资产说明、任务状态与成功 / 失败条件、专家轨迹或合成数据生成方案、评测协议、资源预估及 IP / 数据合规。第二阶段提交可运行任务代码、场景 / 对象 / 本体资产清单、数据生成脚本、评测脚本、示例数据 / 运行日志及复现文档，不要求提交模型权重或训练结果。

评审关注：技术路线创新性、训练策略可行性、资源经济性（每 GPU-小时预期收益）、RoboTwin（或其他主流 benchmark）目标合理性、报告质量、RoboTwin（或其他主流 benchmark）子任务通过率、训练 / 微调效率、技术方案落地深度、可复现性。任务定义 / 数据构建类重点看任务定义完整性、数据生成方案、评测设计、可执行性、任务可运行与可复现性、合成数据有效生成率、任务难度与区分度、评测完整性及数据 / IP 合规。合成数据有效生成率指通过格式、完整性和任务约束检查的有效轨迹数 / 总生成轨迹数，不等同于模型任务成功率。

通过第一阶段获得：常规通过 → S5000 训练专项池权限。任务定义 / 数据构建类同样使用赛方提供的摩尔适配镜像测试环境，具体测试资源与开放时间以赛方通知为准。

提供 example code：

• 柔性体仿真
• 刚体仿真 (mujoco)
• 流体仿真
• RayTracing 渲染
• URDF Example

• USDRenderWorkFlow.py
• 材质、灯光调整
• Domain Randomization

提供 Lambda Sim 使用参考：

• USD 场景组装，使用 Lambda Render 渲染
• Lambda Render 分布式渲染参考
• 在 Lambda Sim 中使用 cuRobo 的 MUSA 版本
• 在 Lambda Sim 中使用 PathFlow
• 多物理场 Solver 使用参考
• 抓夹 ABD
• 机器人运动学：mujoco ektro

可以先熟悉 RoboTwin 2.0。未来 1 个月会持续更新 15 个新 Task。

RoboTwin 3.0 合成数据生成 × Benchmark。

S5000 服务器训练，仿真可视化结果回放。

提供 8 个运控 example 代码，可参考，包括 4 足、2 足人形。

基于 Python 开发 GPU 物理仿真，支持 MTT S5000 MUSA 和 NV Vulkan。自带 Viewport。提供 IK 动力学 DEMO。

• Mjlab 选择 1.2.0
• warp 1.12.1
• mujoco warp 3.6

BPX 模型文件：github.com/mirrormerobotics/BPX

"""Black Panther X constants."""

from pathlib import Path

import mujoco

from mjlab import MJLAB_SRC_PATH
from mjlab.actuator import BuiltinPositionActuatorCfg
from mjlab.entity import EntityArticulationInfoCfg, EntityCfg
from mjlab.utils.os import update_assets
from mjlab.utils.spec_config import CollisionCfg

##
# MJCF and assets.
##

BPX_XML: Path = MJLAB_SRC_PATH / "asset_zoo" / "robots" / "bpx" / "xmls" / "bpx.xml"
assert BPX_XML.exists()


def get_assets(meshdir: str) -> dict[str, bytes]:
  assets: dict[str, bytes] = {}
  update_assets(assets, BPX_XML.parent / "assets", meshdir)
  return assets


def get_spec() -> mujoco.MjSpec:
  spec = mujoco.MjSpec.from_file(str(BPX_XML))
  spec.assets = get_assets(spec.meshdir)
  # BPX's source MJCF includes a demo floor. Tasks add their own terrain, so
  # keeping this plane creates overlapping ground geoms in rendered scenes.
  spec.delete(spec.geom("floor"))
  # BPX ships torque motor actuators in MJCF. Delete them so mjlab owns the
  # actuator model and action space, matching the Go2 tracking setup.
  while spec.actuators:
    spec.delete(spec.actuators[0])
  return spec


##
# Actuator config.
##
BPX_ACTUATOR_CFG = BuiltinPositionActuatorCfg(
  target_names_expr=(".*_hip_roll_joint", ".*_hip_pitch_joint", ".*_knee_joint"),
  stiffness=30.0,
  damping=1.0,
  effort_limit=30.0,
  armature=0.01,
)

##
# Keyframes.
##

INIT_STATE = EntityCfg.InitialStateCfg(
  pos=(0.0, 0.0, 0.42),
  joint_pos={
    ".*_hip_roll_joint": 0.0,
    ".*_hip_pitch_joint": 0.6,
    ".*_knee_joint": -0.9,
  },
  joint_vel={".*": 0.0},
)

##
# Collision config.
##

_toe_regex = r"^(fl|fr|hl|hr)_toe_link_collision_0$"

FULL_COLLISION = CollisionCfg(
  geom_names_expr=(".*_collision.*",),
  condim={_toe_regex: 3, ".*_collision.*": 1},
  priority={_toe_regex: 1},
  friction={_toe_regex: (0.6,)},
  contype=1,
  conaffinity=1,
)

##
# Final config.
##

BPX_ARTICULATION = EntityArticulationInfoCfg(
  actuators=(
    BPX_ACTUATOR_CFG,
  ),
  soft_joint_pos_limit_factor=0.9,
)


def get_bpx_robot_cfg() -> EntityCfg:
  """Get a fresh BPX robot configuration instance."""
  return EntityCfg(
    init_state=INIT_STATE,
    collisions=(FULL_COLLISION,),
    spec_fn=get_spec,
    articulation=BPX_ARTICULATION,
  )


BPX_ACTION_SCALE: dict[str, float] = {}
for a in BPX_ARTICULATION.actuators:
  assert isinstance(a, BuiltinPositionActuatorCfg)
  e = a.effort_limit
  s = a.stiffness
  names = a.target_names_expr
  assert e is not None
  for n in names:
    BPX_ACTION_SCALE[n] = 0.25 * e / s


if __name__ == "__main__":
  import mujoco.viewer as viewer

  from mjlab.entity.entity import Entity

  robot = Entity(get_bpx_robot_cfg())

  viewer.launch(robot.spec.compile())

接着就可以按照 mjlab 当中运控的方式在 task 当中添加对应任务。

训练后的 Sim2Real 的实际部署 SDK 在 github.com/mirrormerobotics/bpx_sdk_open