工具介绍

Isaac Lab 是由 NVIDIA 推出的开源机器人学习框架，基于 GPU 加速实现大规模并行仿真，统一强化学习、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 3.0 的主要特点：

1. 多物理后端：新增 Newton（MJWarp）物理后端，可脱离 Isaac Sim 运行（kit-less），无需安装 Isaac Sim、无需接受 Isaac Sim EULA；PhysX 后端仍可选（需 Isaac Sim）；
2. 统一命令行：isaaclab train / play / benchmark / list_envs 统一入口，通过 --rl_library 切换 RSL-RL、RL Games、SKRL、SB3 等 RL 库，通过 physics= / renderer= / presets= 切换后端与配置；
3. 官方预训练权重：--checkpoint pretrained 自动下载并加载官方权重，便于与自训模型对照；
4. 基准评测：isaaclab benchmark play / training 输出 reward、episode 长度、成功率、FPS 等结构化结果；
5. 多种可视化：--viz newton_gl / rerun / viser / kit，其中 viser 可通过浏览器远程查看。

镜像选择：Isaac Lab 与 Isaac Lab kitless

Isaac Lab 3.0 官方在 NGC 同一镜像仓库发布两类镜像，以 tag 后缀区分：

部署环境要求&最佳实践建议

使用说明

本文以 快速验证环境 和 ANYmal-D 四足机器人速度跟踪训练、评测、导出 两个案例，介绍 Isaac Lab 3.0 的使用过程。

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；也可在开发机详情页开启 SSH 后通过本地终端登录。

主要路径介绍

• Isaac Lab 源码路径：/workspace/isaaclab
• Python 虚拟环境：/opt/isaaclab-venv（已加入 PATH，可直接执行 isaaclab 命令）
• 训练日志与模型：/workspace/isaaclab/logs

环境检查

执行如下命令，确认版本、GPU 与关键依赖：

1cd /workspace/isaaclab
2cat VERSION
3nvidia-smi --query-gpu=name,memory.total,driver_version --format=csv,noheader
4uv pip list --python /opt/isaaclab-venv/bin/python | grep -iE '^(isaaclab |newton |warp-lang|torch |rsl-rl-lib)'

期望输出：VERSION 为 3.0.0，newton 1.6.1，rsl-rl-lib 5.5.1，torch 2.11.0+cu130，warp-lang 1.17.0。

快速启动训练任务

执行如下命令，展示 Isaac Lab 中可用的任务，以及每个任务支持的 RL 库和后端：

1cd /workspace/isaaclab
2isaaclab list_envs --show_presets
3# 按关键字过滤，例如只看 ANYmal-D
4isaaclab list_envs --keyword AnymalD

以倒立摆任务 Isaac-Cartpole-Direct 为例，执行如下命令启动训练。这里设置的 num_envs 和 max_iterations 仅为了快速验证环境，实测约 90 秒完成：

1cd /workspace/isaaclab
2isaaclab train --rl_library rsl_rl --task Isaac-Cartpole-Direct \
3    --num_envs 16 presets=newton_mjwarp --max_iterations 5

训练输出包含仿真场景配置、观测空间、奖励函数、模型定义以及日志保存路径等信息，命令正常退出即说明 GPU、驱动与 Isaac Lab 环境可用。

首次运行会编译 Warp 内核并下载仿真资产，耗时略长，后续运行会复用缓存。

输出示例：

1| S. No. | Task Name                    | Entry Point                     | RL Libraries |
2|   1    | Isaac-Velocity-Flat-AnymalD  | isaaclab.envs:ManagerBasedRLEnv | rsl_rl, skrl |
3|   2    | Isaac-Velocity-Rough-AnymalD | isaaclab.envs:ManagerBasedRLEnv | rsl_rl, skrl |

举例：训练 ANYmal-D 四足机器人跟踪速度指令

我们使用 RSL-RL PPO 在 Newton MJWarp 后端上训练 ANYmal-D 四足机器人跟踪线速度与角速度指令，并与官方预训练权重做同口径对照。官方任务提供两个难度：

启动训练

执行如下命令启动训练。训练时间较长，建议使用 nohup 后台运行，避免终端断开导致训练中断：

1cd /workspace/isaaclab && mkdir -p logs/repro
2export TASK=Isaac-Velocity-Flat-AnymalD     # 崎岖地形改为 Isaac-Velocity-Rough-AnymalD
3nohup isaaclab train --rl_library rsl_rl --task $TASK physics=newton_mjwarp --seed 42 \
4    > logs/repro/train_${TASK}.log 2>&1 &
5echo $! > logs/repro/train_${TASK}.pid

训练日志：

查看训练进展：

1cd /workspace/isaaclab
2grep -E 'Learning iteration|Mean reward|Mean episode length|ETA' logs/repro/train_${TASK}.log | tail -4

训练过程中 Mean reward 持续上升、Mean episode length 接近 1000 即说明机器人逐渐学会稳定行走。训练结束时日志末尾输出 Training time: <秒> seconds，模型每 50 次迭代保存一次：

• 平地：logs/rsl_rl/anymal_d_flat/<时间戳>/model_299.pt
• 崎岖地形：logs/rsl_rl/anymal_d_rough/<时间戳>/model_1999.pt

也可使用 TensorBoard 查看训练曲线：

1cd /workspace/isaaclab
2tensorboard --logdir logs/rsl_rl --port 6006 --bind_all

回放与导出策略

执行如下命令加载训练好的模型进行回放。play 加载 checkpoint 后会自动将策略导出为 TorchScript 和 ONNX，保存在运行目录的 exported/ 下，可直接用于部署：

1cd /workspace/isaaclab
2export RUN_DIR=logs/rsl_rl/anymal_d_flat/<时间戳>       # 替换为实际训练目录
3isaaclab play --rl_library rsl_rl --task $TASK \
4    --num_envs 16 physics=newton_mjwarp --checkpoint $RUN_DIR/model_299.pt --viz none

play 会持续回放不会自动退出，看到导出文件后按 Ctrl+C 结束即可。导出产物：

1<RUN_DIR>/exported/
2├── policy.pt          # TorchScript
3├── policy.onnx        # ONNX
4└── policy.onnx.data

如需在浏览器中查看机器人行走效果，将 --viz none 改为 --viz viser，并在本地建立端口转发后，按日志中输出的地址在浏览器打开：

1# 本地终端执行，端口以日志输出为准
2ssh -p <port> -L 8080:127.0.0.1:8080 root@<开发机地址>

如需直接查看官方预训练模型的效果，将 --checkpoint 改为 pretrained 即可自动下载并加载官方权重。

训练前：

训练后：

评测：自训模型 vs 官方预训练模型

Isaac Lab 3.0 内置 isaaclab benchmark play，可在相同参数下分别评测自训模型与官方模型。首先下载官方预训练权重（平地 0.94 MB，崎岖地形 6.56 MB）：

1cd /workspace/isaaclab
2B=https://omniverse-content-production.s3-us-west-2.amazonaws.com/Assets/Isaac/6.2/Isaac/IsaacLab/PretrainedCheckpoints/rsl_rl
3curl -fsSL -o logs/repro/official_${TASK}.pt "$B/${TASK}_newtonmjwarp_none_rsl_rl.pt"

两次评测参数完全一致，只替换 --checkpoint 与 --output_path，单次约 1 分钟：

1cd /workspace/isaaclab
2for TAG in own official; do
3  CKPT=$([ $TAG = own ] && echo "$RUN_DIR/model_299.pt" || echo "logs/repro/official_${TASK}.pt")
4  isaaclab benchmark play --rl_library rsl_rl --task $TASK \
5      --num_envs 4096 --num_steps 1000 --warmup_steps 50 \
6      --checkpoint $CKPT --seed 42 \
7      --benchmark_formatter schema,summary \
8      --output_path logs/benchmark_results/play_${TAG} \
9      physics=newton_mjwarp
10done

评测结果保存在 logs/benchmark_results/play_{own,official}/ 下的 JSON 文件中，主要字段为 reward（平均回合奖励）、ep_length（平均回合长度，最大 1000）、success_rate（任务上报的成功率），三项均只统计评测窗口内已结束的回合。实测结果如下：

两个任务的自训模型各项指标均达到或超过官方预训练模型。

评测须显式指定 checkpoint 文件。--checkpoint latest 会选择最新的运行目录，如果之后执行过吞吐基准（会新建一个 10 次迭代的运行目录），latest 将指向该目录，导致评测或导出了错误的模型。

训练吞吐基准

执行如下命令测试训练吞吐，参数与官方性能基准一致（8192 环境、10 次迭代）。测试期间请确保 GPU 上无其他训练任务，否则 FPS 不具参考性：

1cd /workspace/isaaclab
2isaaclab benchmark training --rl_library rsl_rl --task $TASK \
3    --num_envs 8192 --max_iterations 10 --warmup_steps 50 --seed 42 \
4    --benchmark_formatter schema,summary \
5    --output_path logs/benchmark_results/training \
6    physics=newton_mjwarp

实测与官方性能基准对比：

仿真资产说明

ANYmal-D 机器人模型、地面等仿真资产在首次运行时自动从 NVIDIA 官方资产库下载，无需手动准备：

• 下载地址：https://omniverse-content-production.s3-us-west-2.amazonaws.com/Assets/Isaac/6.2
• 实际下载内容：anymal_d.usd（12 KB）、instanceable_meshes.usd（1.06 MB）、default_ground_plane.usda（3.4 KB），合计约 1.1 MB
• 缓存位置：/tmp/isaaclab_usd_<随机ID>/，每次启动重新校验

如开发机无法访问上述地址，可二选一：

1# 方式一：使用中国区资产镜像
2unset ISAACSIM_ASSET_ROOT
3export ISAACSIM_ASSET_REGION_PROFILE=china
4
5# 方式二：使用自建离线资产目录（目录下需包含 Isaac/ 与 NVIDIA/）
6export ISAACSIM_ASSET_ROOT=/path/to/Assets/Isaac/6.2

如默认地址可访问，请保持默认配置，无需设置上述环境变量。

常见问题

参考

• Isaac Lab 仓库：https://github.com/isaac-sim/IsaacLab（tag v3.0.0）
• 快速入门：https://isaac-sim.github.io/IsaacLab/main/source/isaaclab/quickstart.html
• 入门教程（Getting started tutorial）：https://isaac-sim.github.io/IsaacLab/main/source/setup/tutorial.html
• 操作指南（How-to guides）：https://isaac-sim.github.io/IsaacLab/main/source/how-to/index.html
• 旧版本（2.1.0 / 2.2.0）使用说明见同目录《具身智能-Isaac Lab.md》