工具介绍

Isaac Lab 是由 NVIDIA 推出的基于Isaac Sim的开源机器人研究框架，基于 GPU 加速实现精确仿真，统一和简化强化学习、模仿学习和运动规划等机器人研究工作流程，推动机器人 sim-to-real（仿真到现实）的高效迁移。

Isaac Lab 是由 NVIDIA 推出的基于Isaac Sim的开源机器人研究框架，基于 GPU 加速实现精确仿真，统一和简化强化学习、模仿学习和运动规划等机器人研究工作流程，推动机器人 sim-to-real（仿真到现实）的高效迁移。

其优势主要包括：

1. 机器人形态支持全面：兼容 **16+ 主流机器人形态**，涵盖机械臂（如 Franka）、四足（如 ANYmal）、人形机器人（如 Atlas）等；
2. 训练环境丰富：提供 30+ 开箱即用环境，这些环境支持主流强化学习框架训练，如RSL RL、SKRL、RL Games或Stable Baselines等；
3. 支持复杂对象仿真：支持刚体、铰接系统和柔性物体等复杂仿真对象；
4. 多传感器系统支持：支持RGB/深度/分割相机、相机注释、IMU、接触传感器、光线投射器。

部署环境要求&最佳实践建议

使用说明

本文以 快速启动预定义训练任务和创建Project并训练推理 两个案例，介绍Isaac Lab的使用过程。

在试用案例之前，请确保已挂载了案例所需的数据集，否则脚本无法正常运行，可在脚本内更改数据集地址配置

创建与登录开发机

根据部署环境要求成功创建开发机后，点击登录开发机，进入开发机webIDE，打开Terminal界面：

主要路径介绍

• isaac lab源码路径：/workspace/isaaclab

快速启动训练任务

执行如下命令，可以看到Isaac Lab预置的环境列表：

1cd /workspace/isaaclab
2python scripts/environments/list_envs.py

以预定义环境Isaac-Ant-v0为例，执行如下命令启动训练。这里设置的num_envs和max_iterations仅为了快速验证，--headless确保代码在无GUI的环境下正常运行：

1python scripts/reinforcement_learning/skrl/train.py --task=Isaac-Ant-v0 --headless --num_envs=1 --max_iterations=1

训练输出包含运行环境、仿真场景配置、观测空间、终止条件、奖励函数、强化学习模型定义，以及日志保存路径等信息，如下所示：

创建新的Project

提示：新建Project的train.py和play.py都提供了丰富的参数设置，可以通过--help查看，其中，--info可以看到更详细的输出信息，可用于运行环境错误分析。

3.1 环境创建&注册

执行如下命令，选择任务类型、Project属性和工作流等即可完成一个Project的创建。

1./isaaclab.sh --new

以当前创建的project为例，task type选择external，workslow选择轻量的Direct | single-agent，然后确定RL库和算法等。这里我们将Project name设置为test，下文如无特殊说明，test一般指代Project name。

按照如上方式，会创建一个cartpole（倒立摆）基准测试，可用于快速确认环境配置的正确性。在路径test/source/test/test/tasks/direct/test下可以看到init.py，该初始化函数用于自定义环境的注册：

1import gymnasium as gym
2
3from . import agents
4
5gym.register(
6    id="Template-Test-Direct-v0",
7    entry_point=f"{__name__}.test_env:TestEnv",
8    disable_env_checker=True,
9    kwargs={
10        "env_cfg_entry_point": f"{__name__}.test_env_cfg:TestEnvCfg",
11        "skrl_amp_cfg_entry_point": f"{agents.__name__}:skrl_amp_cfg.yaml",
12        "skrl_cfg_entry_point": f"{agents.__name__}:skrl_ppo_cfg.yaml",
13    },
14)

然后，执行如下命令将其安装为python模块，便于后续启动训练和推理：

1cd /workspace/test
2python -m pip install -e source/test

成功安装后，使用如下命令可以看到该环境已经注册到环境列表中，后面会使用Task Name作为task参数启动训练和推理：

1cd /workspace/test
2python scripts/list_envs.py

3.2 启动训练

执行如下命令启动训练，类似地，这里设置的num_envs和max_iterations仅为了快速验证。训练结束后，checkpoints会保存在logs目录下。

1cd /workspace/test
2python scripts/skrl/train.py --task=Template-Test-Direct-v0 --headless --num_envs=1 --max_iterations=1

3.3 启动推理

执行如下命令启动训练后模型的推理。参数 --video 可以确保在推理任务结束后，在logs/videos目录下保存一个仿真视频：

1cd /workspace/test
2python scripts/skrl/play.py --task=Template-Test-Direct-v0 --headless --num_envs=1 --video