Webots R2023b 完整安装配置教程

优质文章学习记录

— 9 min read

Webots R2023b 完整安装配置教程

声明：本教程由豆包、ChatGPT等AI工具协助完成。

本教程讲解如何安装 Python3、包管理器 Micromamba、必要依赖包（如 opencv-python），以及 Webots 仿真软件，并完成 Micromamba Python 环境与 MATLAB 地址的配置，适用于 Windows、macOS 双系统。

一、前置说明

  1. 适用场景：需要使用 Webots 进行仿真开发，同时依赖 Python 进行脚本编写、OpenCV 进行图像处理，通过 Micromamba 管理 Python 环境，并关联 MATLAB 路径用于联合开发。
  2. 版本约定（兼容性最优）：
  • Python：3.11（Webots R2023b 最优兼容版本，适配性更稳定）
  • Micromamba：最新稳定版
  • OpenCV-Python：4.8.0（避免过高版本与 Webots 冲突）
  • Webots：R2023b（稳定版，支持 Python3.11，适配双系统，兼容ROS2联合仿真）
  • MATLAB：R2022b 及以上（确保与 Python 版本兼容）
注：全程以“管理员身份”操作（Windows）/ 终端无需sudo（macOS），避免权限不足导致安装失败；安装路径建议全英文、无空格，避免中文路径引发的兼容性问题；所有命令行操作需严格按照教程格式执行，避免输入错误；各软件版本需严格遵循约定，避免版本不兼容。

二、Python3 安装（Windows + macOS 通用）

2.1 下载 Python3 安装包

访问 Python 官方下载地址：https://www.python.org/downloads/，根据自身系统选择对应安装包：

  • Windows：选择「Windows Installer (64-bit)」，版本选择 3.11.x（如 3.11.8），避免下载最新测试版。
  • macOS：根据芯片选择（Intel 芯片选「macOS 64-bit installer」，Apple Silicon 芯片选「macOS universal2 installer」），同样选择 3.11.x 版本。

2.2 安装步骤（Windows）

  1. 双击下载的 .exe 安装包，勾选安装界面底部「Add Python 3.11 to PATH」（关键步骤，避免后续无法在终端调用 Python）。
  2. 点击「Customize installation」（自定义安装），取消勾选「Optional Features」中不需要的组件（如 Documentation、tcl/tk and IDLE，新手可全部保留），点击「Next」。
  3. 选择安装路径（建议默认路径，或自定义为「D:\Python311」，全英文无空格），点击「Install」，等待安装完成。
  4. 验证安装：打开「命令提示符」（Win+R 输入 cmd），输入 python --version 或 python3 --version，若显示「Python 3.11.x」，则安装成功。

2.3 安装步骤（macOS）

  1. 双击下载的 .pkg 安装包，按照提示点击「继续」，同意许可协议，选择安装位置（默认即可），输入电脑密码完成安装。
  2. 验证安装：打开「终端」（Launchpad → 其他 → 终端），输入 python3 --version，若显示「Python 3.11.x」，则安装成功。
  3. 补充说明：macOS 自带 Python2.7（已废弃），因此必须使用 python3 命令调用刚安装的 Python3.11，避免混淆。

三、Micromamba 安装与配置（包管理器）

本教程选用 Micromamba 作为包管理工具（轻量、快速），用于创建独立的 Python 环境，避免不同项目的依赖冲突。

注：这只是一种包管理软件，若你习惯使用其他包管理工具（如 conda、miniconda），可参考本教程中 Python 环境创建、依赖包安装的逻辑，采用类似方式进行配置。

3.1 下载与安装 Micromamba

Windows 系统

访问 Micromamba 官方文档：https://mamba.readthedocs.io/en/latest/user_guide/micromamba.html，下滑至「Installation」部分，找到 Windows 安装命令，复制并在「命令提示符」（管理员身份）中执行：

curl-Ls https://micro.mamba.pm/api/micromamba/win-64/latest |tar-xvj bin\micromamba.exe -O> micromamba.exe 
micromamba shell hook -s cmd.exe | Out-String | Invoke-Expression
macOS 系统

其他细节请参考：https://blog.ZEEKLOG.net/knicknock/article/details/155916386

curl-Ls https://micro.mamba.pm/api/micromamba/osx-64/latest |tar-xvj bin/micromamba

初始化 Micromamba（根据终端类型选择命令，默认 zsh 终端）：

./bin/micromamba shell hook -szsh|source

若为 bash 终端，执行：

./bin/micromamba shell hook -sbash|source
可选：配置国内源（加速包下载）

默认源为国外地址，可通过以下命令配置清华镜像源，提升后续包安装速度：

# 创建配置文件目录mkdir-p ~/.mamba # 写入国内源配置echo"channels: - defaults - conda-forge default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud show_channel_urls: true"> ~/.mamba/mambarc

3.2 验证 Micromamba 安装

在终端（cmd/终端）输入以下命令，若显示 Micromamba 的版本号（如 1.5.0），则安装成功：

micromamba --version

3.3 用 Micromamba 创建 Python 环境（核心步骤）

创建一个专门用于 Webots 开发的 Python 环境（命名为 webots-env，可自定义），避免与系统 Python 环境冲突：

执行创建命令（指定 Python 版本为 3.11，与之前安装的 Python 版本一致）：

micromamba create -n webots-env python=3.11-y

说明：-n 后面是环境名（webots-env），-y 表示自动确认安装，无需手动输入 y。

激活环境（环境创建完成后执行）：

Windows：

micromamba activate webots-env

macOS：

./bin/micromamba activate webots-env

（若Micromamba初始化成功，可直接输入micromamba activate webots-env）

备注：后续所有 Python 包（如 opencv-python）都需在该环境下安装，确保依赖统一。

四、必要 Python 包安装（opencv-python 等）

确保已激活 Micromamba 创建的 webots-env 环境（终端显示 (webots-env)），执行以下命令安装所需包，优先使用 conda 安装，避免 pip 安装的包与环境冲突。

4.1 安装 opencv-python

micromamba install opencv-python=4.8.0 -y

说明：指定版本为 4.8.0，避免过高版本（如 4.9.x）与 Webots 兼容性问题；若 conda 安装失败，可使用 pip 安装：

pip install opencv-python==4.8.0

4.2 安装其他必要依赖包

Webots 开发中常用的其他包（根据需求选择安装）：

# 安装 numpy（OpenCV 依赖，处理数值计算） micromamba install numpy -y# 安装 matplotlib（用于绘图、数据可视化） micromamba install matplotlib -y# 安装 pillow（图像处理辅助包） micromamba install pillow -y

4.3 验证包安装

在激活的 webots-env 环境中，输入 python3（macOS）/ python（Windows），进入 Python 交互环境，执行以下命令：

import cv2 import numpy print(cv2.__version__)# 应输出 4.8.0print(numpy.__version__)# 输出任意稳定版本即可

若无报错，说明包安装成功；若报错“ModuleNotFoundError”，则重新激活 webots-env 环境，再次执行对应安装命令。

五、Webots 安装与配置

5.1 下载 Webots 安装包

访问 Webots 官方下载地址（跳转至 GitHub Releases 页面）：https://github.com/cyberbotics/webots/releases，选择对应系统的安装包，版本建议选择 R2023b（稳定版，对 Python3.11 兼容性更优，支持原生 Apple Silicon，适配 ROS2 联合仿真需求）：

  • Windows：下载「Windows 64-bit」安装包（.exe 格式）
  • macOS：下载「macOS」安装包（.dmg 格式）

5.2 安装 Webots（Windows）

  1. 双击下载的 .exe 安装包，选择安装语言（建议中文），点击「下一步」。
  2. 同意许可协议，选择安装路径（建议默认路径，或自定义全英文无空格路径，如「D:\Webots」）。
  3. 勾选「创建桌面快捷方式」，点击「下一步」，等待安装完成，点击「完成」。

5.3 安装 Webots（macOS）

  1. 双击下载的 .dmg 安装包，将「Webots」拖拽到「Applications」（应用程序）文件夹中，完成安装。
  2. 首次打开 Webots 时，可能会提示「无法打开，因为它来自未知开发者」，解决方法：打开「系统设置」→「隐私与安全性」→ 下滑找到「Webots」，点击「仍要打开」，即可正常启动。

5.4 Webots 关联 Micromamba Python 环境（核心配置）

Webots 默认可能无法找到 Micromamba 创建的 Python 环境，需要手动指定 Python 路径，确保 Webots 能调用该环境下的 Python 及安装的包（如 opencv-python）。

步骤 1：找到 Micromamba 环境的 Python 路径

确保已激活 webots-env 环境，在终端输入以下命令，查看 Python 路径：

# macOSwhich python3 # Windows where python

记录输出的路径（关键，后续需用到）：

  • Windows 示例：D:\micromamba\envs\webots-env\python.exe
  • macOS 示例（Intel）：/usr/local/micromamba/envs/webots-env/bin/python3
  • macOS 示例（Apple Silicon）：/opt/homebrew/micromamba/envs/webots-env/bin/python3
步骤 2：Webots 中配置 Python 路径
  1. 打开 Webots 软件，点击顶部菜单栏「工具」→「偏好设置」（Windows）/「Webots」→「偏好设置」（macOS）。
  2. 在弹出的窗口中，找到「Python」选项卡，点击「Python 命令」后的「浏览」，选择步骤 1 中记录的 Python 路径（Windows 选 .exe 文件，macOS 选 python3 文件）。
  3. 点击「确定」，重启 Webots，配置生效。
步骤 3：验证 Webots 与 Python 环境关联成功
  1. 打开 Webots，新建一个简单的仿真场景（如「Empty World」）。
  2. 在场景中添加一个机器人（如「e-puck」），右键机器人 →「添加控制器」→「Python」，创建一个新的 Python 控制器脚本。
  3. 在脚本中输入以下代码，保存并运行仿真：
import cv2 print("OpenCV 版本：", cv2.__version__)print("Python 环境关联成功！")
  1. 若仿真正常运行，且控制台输出 OpenCV 版本（4.8.0），则关联成功；若报错“ModuleNotFoundError: No module named ‘cv2’”，则重新检查 Python 路径配置（确保指向 webots-env 环境的 Python），并确认 opencv-python 已在该环境安装。

六、配置 Micromamba Python 环境与 MATLAB 地址

若需要在 Webots 中调用 MATLAB 相关功能（如 MATLAB 脚本、工具箱），需手动配置 MATLAB 安装地址，确保 Webots 能正常关联 MATLAB。

6.1 找到 MATLAB 安装地址

  • Windows：默认安装路径为 C:\Program Files\MATLAB\R2022b（R2022b 为 MATLAB 版本，根据自身安装版本修改），核心路径为「MATLAB 根目录」。
  • macOS：默认安装路径为/Applications/MATLAB_R2022b.app，核心路径为「/Applications/MATLAB_R2022b.app/」。

6.2 配置 MATLAB 地址

  1. 打开 Webots，点击顶部菜单栏「工具」→「偏好设置」→「MATLAB」选项卡。
  2. 点击「MATLAB 根目录」后的「浏览」，选择上述找到的 MATLAB 安装根目录，点击「确定」，重启 Webots 生效。

七、常见问题排查

问题 1： 终端输入 micromamba 提示「不是内部或外部命令」？

解决：重新执行 Micromamba 初始化命令，或重启终端；若仍失败，手动将 Micromamba 的 bin 目录添加到系统环境变量（PATH）。

问题 2： Webots 运行 Python 脚本报错「ModuleNotFoundError: No module named ‘cv2’」？

解决：确认已激活 webots-env 环境，且 opencv-python 已安装；重新检查 Webots 中配置的 Python 路径，确保路径指向该环境的 Python。

问题 3： macOS 打开 Webots 提示「未知开发者」？

解决：进入「系统设置」→「隐私与安全性」，找到 Webots，点击「仍要打开」；或按住 Control 键，右键点击 Webots，选择「打开」。

Read more

从零到一：Ubuntu上llama.cpp的编译艺术与性能调优实战

从零到一：Ubuntu上llama.cpp的编译艺术与性能调优实战 在人工智能技术快速发展的今天，大型语言模型(LLM)已成为开发者工具箱中不可或缺的一部分。而llama.cpp作为一款高效、轻量级的LLM推理框架，因其出色的性能和跨平台支持，越来越受到开发者的青睐。本文将带您深入探索在Ubuntu环境下编译和优化llama.cpp的全过程，从基础环境搭建到高级性能调优，为您呈现一套完整的解决方案。 1. 环境准备与基础编译 在开始编译llama.cpp之前，我们需要确保系统环境满足基本要求。Ubuntu 22.04 LTS是最推荐的系统版本，它提供了稳定的软件包支持和良好的兼容性。 首先更新系统并安装必要的开发工具： sudo apt update && sudo apt upgrade -y sudo apt install -y build-essential cmake git curl libcurl4-openssl-dev 对于希望使用CUDA加速的用户，还需要安装NVIDIA驱动和CUDA工具包： sudo apt install
【AIGC前沿】MiniMax海螺AI视频——图片/文本生成高质量视频

【AIGC前沿】MiniMax海螺AI视频——图片/文本生成高质量视频

目录 1.MiniMax海螺AI视频简介 2.使用教程 1.MiniMax海螺AI视频简介 海螺视频，作为 MiniMax 旗下海螺 AI 平台精心打造的 AI 视频生成工具，致力于助力用户产出高品质视频内容。该工具依托 abab-video-1 模型，具备强大的文生视频功能。用户仅需输入关键词或简短语句，海螺视频就能据此创作出情节丰富的完整视频。此外，海螺视频运用 DiT 架构，能够精准模拟现实世界的物理规律，尤其在生成复杂场景与高动作场景时，展现出卓越的性能。 2.使用教程 点击如下链接，进入蓝耘元生代智算云平台主页 https://cloud.lanyun.net/#/registerPage?promoterCode=11f606c51e 点击主页上方栏的“MaaS平台” 然后点击左侧栏的“视觉模型”  可以看到可以免费体验一次I2V-01图片生成视频  点击如下红框处将图片上传  例如输入如下的图片 例如想让小狗动起来，可以在如下红框处输入相应的指令，然后点击立即生成

LLaMA-Factory评估指标实战：困惑度与BLEU分数深度解析

LLaMA-Factory评估指标实战：困惑度与BLEU分数深度解析 还在为LLM微调后的模型质量评估发愁吗？🤔 作为AI开发者和研究者，我们常常面临这样的困境：训练损失下降明显，但实际生成效果却让人失望。今天，我将带你深度解析LLaMA-Factory中的两大核心评估指标——困惑度（PPL）与BLEU分数，让你从"盲调"走向"精调"！ 🎯 评估指标：模型优化的"导航仪" 在LLaMA-Factory微调框架中，评估指标就像GPS导航系统，实时告诉我们模型的学习状态和优化方向。困惑度衡量模型对文本序列的预测能力，数值越低越好；而BLEU分数则评估生成文本与参考文本的相似度，分数越高质量越优。 评估指标应用场景速览 场景类型推荐指标理想范围关键影响因素预训练任务困惑度<20数据质量、模型架构文本生成BLEU-420-40解码策略、训练数据量多轮对话综合评估多维度上下文理解能力 🚀 困惑度计算：从原理到实践 困惑度是评估语言模型性能的重要指标，它反映了模型预测下一个词的不确定性程度。简单来说，困惑度越低，模型对文本的理解就越准确。 困惑度计算技术内幕 在
【AIGC】COT思维链：让AI学会拆解问题，像人一样思考

【AIGC】COT思维链：让AI学会拆解问题，像人一样思考

COT思维链 * 引言 * 理解实践 * 存疑例子 * COT解决 * 内置COT * COT的优势 * COT的未来展望： * 结语 引言 在人工智能领域，我们一直在追求让机器像人类一样思考。然而，即使是最先进的AI，也常常被诟病缺乏“常识”，难以理解复杂问题，更不用说像人类一样进行逻辑推理和解决问题了。最经常的表现就是遇到不会的地方，或者一些人一眼能看出来的地方AI在那里胡扯。 为了解决这个问题，一种名为“思维链（Chain of Thought, COT）”的技术应运而生。COT的核心思想是：将复杂问题分解成一系列简单的子问题，并逐步推理出最终答案。 这就像人类在解决问题时，会先将问题拆解成一个个小步骤，然后一步步推理，最终得出结论。 理解实践 存疑例子 为了理解COT我们先来看个例子。经典的数strawberry里面的r有几个 from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from