diff --git a/src/Neuro_Mujoco/README.md b/src/Neuro_Mujoco/README.md
index c89de604be..280721adb1 100644
--- a/src/Neuro_Mujoco/README.md
+++ b/src/Neuro_Mujoco/README.md
@@ -1,19 +1,19 @@
 # 基于 MuJoCo 的神经网络代理实现
-实现基于 MuJoCo 物理引擎的机器人、机械结构等智能体的感知、规划与控制，结合神经网络实现动态环境中的自主决策与行为生成。
+实现基于 MuJoCo 物理引擎的机器人、机械结构等智能体的感知、规划与控制，结合神经网络实现动态环境中的自主决策与行为生成。新增**强化学习策略推理**与**ROS 1 实时通信**功能，支持端到端的智能控制流程。
 
 # 环境配置
 平台：Windows 10/11，Ubuntu 20.04/22.04（ROS推荐），macOS（Intel/Apple Silicon）  
-软件：Python 3.7-3.12（需支持 3.7 及以上版本）、PyTorch（不依赖 TensorFlow）  
+软件：Python 3.7-3.12（需支持 3.7 及以上版本）、PyTorch（策略网络依赖）  
 核心依赖：MuJoCo 物理引擎、mujoco-python 绑定  
 
 # 基础依赖安装
 安装 Python 3.11（推荐版本）  
-安装 MuJoCo 及相关依赖：  
+安装核心依赖：  
 ```shell
 # 安装MuJoCo Python绑定
 pip install mujoco -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
 
-# 安装PyTorch（根据系统配置选择合适版本）
+# 安装PyTorch（策略网络必需，根据系统配置选择）
 pip3 install torch torchvision torchaudio -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
 
 # 安装文档生成工具
@@ -24,9 +24,50 @@ pip install -r requirements.txt
 （可选）验证安装：  
 ```shell
 python -c "import mujoco; print('MuJoCo version:', mujoco.__version__)"
+python -c "import torch; print('PyTorch version:', torch.__version__)"  # 验证策略依赖
 mkdocs --version
 ```
 
+# 核心功能使用
+## 1. 模型可视化与控制
+支持直接加载模型文件或目录，集成策略控制与ROS通信：  
+```shell
+# 基础可视化（无控制）
+python mujoco_utils.py visualize /path/to/model.xml
+
+# 启用ROS 1模式（发布关节状态/基座姿态，接收控制指令）
+python mujoco_utils.py visualize /path/to/model.xml --ros
+
+# 加载预训练策略模型（自动生成控制指令）
+python mujoco_utils.py visualize /path/to/model.xml --policy /path/to/policy.pth
+
+# 联合模式（ROS + 策略控制）
+python mujoco_utils.py visualize /path/to/model.xml --ros --policy /path/to/policy.pth
+```
+- 交互说明：可视化窗口支持鼠标拖拽旋转、滚轮缩放，按ESC键退出
+- 控制优先级：ROS指令 > 策略推理 > 无控制
+
+## 2. 模型格式转换
+支持XML与MJB（二进制）格式互转（MJB加载速度更快）：  
+```shell
+# XML转MJB
+python mujoco_utils.py convert input.xml output.mjb
+
+# MJB转XML
+python mujoco_utils.py convert input.mjb output.xml
+```
+
+## 3. 模拟速度测试
+多线程测试模型仿真性能，评估实时性：  
+```shell
+# 默认参数（1线程，10000步）
+python mujoco_utils.py testspeed /path/to/model.xml
+
+# 自定义配置（4线程，50000步，控制噪声0.02）
+python mujoco_utils.py testspeed /path/to/model.xml --nthread 4 --nstep 50000 --ctrlnoise 0.02
+```
+输出指标包括：每秒步数、实时因子（仿真时间/真实时间）、线程耗时统计
+
 # ROS 集成配置（Ubuntu 专属）
 ### 1. ROS 版本要求
 - Ubuntu 20.04 → ROS Noetic  
@@ -61,28 +102,27 @@ rm -rf build devel
 catkin_make -DPYTHON_EXECUTABLE=$(which python3)
 ```
 
-### 5. ROS 启动步骤
-#### 5.1 激活环境
-```shell
-# 激活 Python 虚拟环境
-source ~/桌面/nn/.venv/bin/activate
-
-# 加载 Catkin 环境
-source ~/桌面/nn/catkin_ws/devel/setup.bash
-```
 
-#### 5.2 启动仿真与 ROS 节点
-```shell
-# 启动 Anymal B 模型 + ROS 控制/订阅节点
-roslaunch mujoco_ros main.launch
-# 或使用绝对路径（避免软链接歧义）
-roslaunch ~/桌面/nn/src/Neuro_Mujoco/mujoco_ros/launch/main.launch
+# 策略网络说明
+## 网络结构
+轻量级多层感知器（MLP），适用于机器人关节控制：  
+```python
+class PolicyNetwork(nn.Module):
+    def __init__(self, obs_dim: int, action_dim: int, hidden_dim: int = 64):
+        super().__init__()
+        self.net = nn.Sequential(
+            nn.Linear(obs_dim, hidden_dim),  # 观测维度=关节位置数+速度数
+            nn.Tanh(),
+            nn.Linear(hidden_dim, hidden_dim),
+            nn.Tanh(),
+            nn.Linear(hidden_dim, action_dim),  # 输出维度=控制维度(nu)
+            nn.Tanh()  # 输出范围[-1,1]，自动映射到实际控制范围
+        )
 ```
 
-#### 5.3 核心节点说明
-- `mujoco_core`：MuJoCo 仿真核心，发布关节状态（`/mujoco/joint_states`）、基座姿态（`/mujoco/pose`）  
-- `mujoco_ctrl_publisher`：控制指令发布者，发布 `/mujoco/ctrl_cmd` 话题（适配 Anymal B 控制维度 nu=12）  
-- `mujoco_state_subscriber`：状态订阅者，实时打印关节状态与基座姿态  
+## 观测与控制映射
+- 输入观测：`[关节位置(qpos) + 关节速度(qvel)]`
+- 输出控制：归一化指令`[-1,1]`，通过模型`actuator_ctrlrange`自动映射到实际范围
 
 # 文档查看
 在命令行中进入项目根目录，运行：  
@@ -97,40 +137,33 @@ mkdocs serve
    → 错误导入 ROS 2 库，替换为 ROS 1 的 `rospy` 即可。  
 
 2. **`unrecognized arguments: __name:=mujoco_core`**  
-   → 修改 `main.py` 中参数解析：  
+   → 修改参数解析逻辑，忽略ROS自动添加的参数：  
    ```python
-   # 原代码：args = parser.parse_args()
-   args, unknown = parser.parse_known_args()  # 忽略 ROS 自动参数
+   args, unknown = parser.parse_known_args()  # 替代 parser.parse_args()
    ```
 
 3. **`模型文件不存在`**  
-   → 修改 `launch/main.launch` 中的模型路径，指向真实 MuJoCo 模型（如 Anymal B：`/home/lan/桌面/nn/mujoco_menagerie/anybotics_anymal_b/anymal_b.xml`）。  
+   → 检查模型路径是否正确，可视化命令支持自动搜索目录下的`.xml`/`.mjb`文件。  
 
-4. **`NameError: name 'count' is not defined`**  
-   → 初始化 `count` 变量或注释冗余计数逻辑：  
-   ```python
-   count = 0  # 循环前初始化
-   while ...:
-       count += 1
-       if count % 5 == 0:  # 按需保留
-           ...
-   ```
+4. **`策略模型加载失败`**  
+   → 确认：① 模型文件存在 ② PyTorch已安装 ③ 模型输入/输出维度与环境匹配（obs_dim=qpos+qvel维度，action_dim=nu）
+
+5. **`ROS话题无数据`**  
+   → 检查：① `roscore`是否启动 ② Catkin环境是否加载（`source devel/setup.bash`）③ 关节名称映射是否正确
 
 # 贡献指南
 提交代码前，请阅读 贡献指南。代码优化方向包括：  
 - 遵循 PEP 8 代码风格 并完善注释  
-- 实现神经网络在 MuJoCo 模拟环境中的应用（如强化学习控制、运动规划等）  
-- 撰写对应功能的 文档  
-- 添加自动化测试（包括模型加载验证、物理模拟稳定性测试、神经网络推理性能测试等）  
-- 优化物理模拟与神经网络的交互效率（如数据采集、动作执行链路）  
-- 扩展 ROS 功能（如多机通信、RViz 可视化、Gazebo 联合仿真）  
+- 扩展策略网络类型（如CNN、RNN，适配视觉观测）  
+- 优化策略推理效率（如ONNX导出、TensorRT加速）  
+- 完善ROS功能（如服务调用、参数服务器配置）  
+- 增加自动化测试（模型加载/转换验证、策略性能基准测试）  
+- 支持多智能体仿真与分布式控制  
 
 # 参考资源
 - MuJoCo 官方文档  
-- MuJoCo GitHub 仓库  
 - MuJoCo Python 绑定教程  
 - MuJoCo 模型库（Menagerie）  
-- 神经网络基础原理  
-- MuJoCo 强化学习教程（MJX）  
-- ROS Noetic 官方文档  
-- Catkin 工作空间教程
\ No newline at end of file
+- PyTorch 神经网络教程  
+- ROS 1 Noetic 官方文档  
+- 强化学习在MuJoCo中的应用（MJX框架）
\ No newline at end of file