通过百舸平台快速开始搭建 Simpler 仿真环境并调用

更新时间：2026-03-27

一、产品简介

Simpler 是一个基于百舸平台的机器人仿真评估工具，主要用于对 RT-1 等机器人操作策略模型进行仿真推理和效果评估。

核心能力：

提供 25+ 种预置仿真任务（抓取、移动、开关抽屉等），无需真实机器人即可验证模型效果
支持多种 RT-1 模型版本的一键加载与对比评估
支持本地一体化部署（仿真+推理同机）和远程 C/S 架构（仿真与推理分离），灵活适配不同算力环境

典型使用场景：

在训练过程中定期评估模型性能（通过仿真替代真机测试，降低成本）
对比不同训练阶段的 checkpoint 表现
快速验证新任务/新场景下的策略效果

本指南帮助您快速上手核心功能。

二、快速开始

整体流程预览：创建开发机 → 登录开发机 → 下载模型 → 运行推理，整个过程约 10-15 分钟即可完成首次推理测试。

步骤 1：环境准备与开发机创建

配置项	最低要求	推荐配置
GPU	L20*1	L20*1
显存	24GB	24GB+
内存	16GB	32GB+
存储	50GB 可用空间	100GB+

1.1 创建开发机

打开百舸控制台 → 进入开发机页面 → 点击【创建实例】，按以下信息配置：

基本信息：

配置项	填写说明
实例名称	自定义命名，例如 `simpler-env-server`
资源池类型/资源池/队列	根据您已有的资源池类型选择
资源规格	按上方推荐硬件配置选择
云磁盘	推荐预留 50GiB，保证运行空间
存储挂载	类型选 PFS，源路径如 `/simpler`，挂载路径如 `/mnt/pfs/`（用于存放模型和结果）

访问配置 & 高级配置：

保持默认即可，无需修改

填写完成后点击【确定】，等待开发机创建完成。

1.2 登录开发机

创建成功后，在开发机列表中找到刚创建的实例，等待状态变为「运行中」后，点击【登录】进入终端。

提示：如果开发机状态长时间处于「创建中」，请检查资源池是否有可用资源。

步骤 2：下载模型

我们提供了 4 个不同训练阶段的 RT-1 模型 checkpoint，您可以根据需要选择下载：

模型版本	训练阶段	适用场景	推荐度
RT-1-X	多任务联合训练（完全收敛）	正式评估、效果对比	强烈推荐
RT-1-Converged	单任务完整训练（40万步）	正式评估、基线对比	推荐
RT-1-15%	训练中期（约5.8万步）	训练过程分析、中间效果查看	一般
RT-1-Begin	训练初期（约1千步）	对比实验、验证流程可用性	一般

建议：首次使用推荐下载 RT-1-X，该模型经过多任务训练，泛化能力最强，在大部分任务上表现最佳。

                Bash
                
            

                # 登录终端后，先进入工作目录
cd /root/workspace/SimplerEnv

# 创建模型目录
mkdir -p checkpoints

# 下载 RT-1-X 模型（推荐，最强泛化）
bcecmd bos cp bos:/aihc-models-bj/RT-1/checkpoints/rt_1_x_tf_trained_for_002272480_step checkpoints/rt_1_x_tf_trained_for_002272480_step -r

# 下载 RT-1-Converged 模型（完整训练）
bcecmd bos cp bos:/aihc-models-bj/RT-1/checkpoints/rt_1_tf_trained_for_000400120 checkpoints/rt_1_tf_trained_for_000400120 -r

# 下载 RT-1-15% 模型（训练 15% 的检查点）
bcecmd bos cp bos:/aihc-models-bj/RT-1/checkpoints/rt_1_tf_trained_for_000058240 checkpoints/rt_1_tf_trained_for_000058240 -r

# 下载 RT-1-Begin 模型（训练初始阶段）
bcecmd bos cp bos:/aihc-models-bj/RT-1/checkpoints/rt_1_tf_trained_for_000001120 checkpoints/rt_1_tf_trained_for_000001120 -r
            

注意：模型文件较大，下载可能需要几分钟，请耐心等待。下载完成后可通过 ls checkpoints/ 确认文件完整性。

步骤 3：运行推理

快速测试

使用以下启动命令启动开发机，会自动启动仿真环境，加载 RT-1 模型，在 google_robot_pick_coke_can（机器人抓取可乐罐）任务上运行 10 条轨迹的评估。

                Bash
                
            

                # 1. 激活 conda 环境
eval "$(conda shell.bash hook)"
conda activate simpler_env

# 2. 设置渲染环境（必须，用于无显示器的 GPU 渲染）
export VK_ICD_FILENAMES=/etc/vulkan/icd.d/nvidia_icd.json
export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:/usr/local/nvidia/lib64:${LD_LIBRARY_PATH:-}

# 3. 进入项目目录
cd /root/workspace/SimplerEnv

# 4. 运行推理测试（请将 <ckpt 路径> 替换为实际的模型路径）
xvfb-run python simpler_env/simple_inference_visual_matching_prepackaged_envs.py \
    --policy rt1 \
    --ckpt-path <ckpt 路径> \
    --task google_robot_pick_coke_can \
    --logging-root ./results_simple_eval/ \
    --n-trajs 10
            

示例（使用 RT-1-X 模型），将该代码替换上述#4内容：

                Bash
                
            

                xvfb-run python simpler_env/simple_inference_visual_matching_prepackaged_envs.py \
    --policy rt1 \
    --ckpt-path ./checkpoints/rt_1_x_tf_trained_for_002272480_step \
    --task google_robot_pick_coke_can \
    --logging-root ./results_simple_eval/ \
    --n-trajs 10
            

预期运行时间：10 条轨迹在 RTX 4090 上约需 5-10 分钟。首次运行会自动下载语言编码模型（约 1GB），后续运行将使用缓存。

运行效果

推理完成后，您将在终端看到每条轨迹的成功/失败结果和总体成功率。仿真过程的视频和日志会自动保存到 --logging-root 指定的目录中。

【可选】RDP 连接运行

如果您不想用 headless 方式运行，希望有可视化界面也可以通过以下方式启动 RDP 服务：

开启开发机自定义端口
配置 3389 端口（启动脚本使用该端口）
使用以下命令开启开发机 RDP 服务并配置密码

Plain Text

1bash rdp_setup.sh
2# 使用指令配置密码
3passwd root

然后在您的电脑上下载 RDP 或者Windows App
添加电脑，输入您的 ip 地址:端口号，并配置账号名和密码
双击图标进入可视化界面，通过其终端输入以下指令即可运行

Plain Text

1conda activate simpler_env
2cd /root/workspace/SimplerEnv/baige
3python test_getting_started.py

三、进阶功能：远程调用（C/S 架构）

场景说明

在实际使用中，您可能希望将仿真环境和模型推理部署在不同的机器上，例如：

仿真环境需要 GPU + Vulkan 渲染支持（资源要求高）
模型推理只需要 TensorFlow + GPU（可复用训练机器）
团队中多人共享同一个仿真服务，各自运行不同的模型

此时可以使用远程调用功能，将系统拆分为两台开发机：

Plain Text

1┌──────────────────────┐          HTTP          ┌──────────────────────┐
2│   推理服务器 (A)      │  ◄──────────────────►  │   仿真服务器 (B)      │
3│                      │                        │                      │
4│  · RT-1 模型推理      │   /env/create          │  · SAPIEN 仿真引擎    │
5│  · 发送动作指令       │   /env/{id}/reset      │  · Vulkan GPU 渲染    │
6│  · 接收观测图像       │   /env/{id}/step       │  · 物理模拟计算       │
7│                      │   /env/{id}/obs         │                      │
8│  需要：TF + GPU      │                        │  需要：GPU + Vulkan   │
9└──────────────────────┘                        └──────────────────────┘

创建流程

需要创建两台开发机（仿真服务器 + 推理服务器），创建步骤与「二、快速开始」相同，额外注意以下配置。

仿真服务器配置（Server B）

在开发机创建阶段，需要额外操作：

配置自定义端口：开启端口 8100
配置 BLB：选择您使用的 BLB（百度负载均衡），配置 BLB 监听 8100 端口
填写启动命令：将以下代码填入启动命令中

                Bash
                
                eval "$(conda shell.bash hook)"
conda activate simpler_env

export VK_ICD_FILENAMES=/etc/vulkan/icd.d/nvidia_icd.json
export LD_LIBRARY_PATH=$CONDA_PREFIX/lib:/usr/local/nvidia/lib64:${LD_LIBRARY_PATH:-}

nohup xvfb-run python /root/workspace/baige/env_server.py --host 0.0.0.0 --port 8100

创建成功后，在开发机详情页中会显示该机器的 IP 地址，请记录下来，后续推理服务器需要用到。

推理服务器配置（Server A）

在开发机创建阶段，将以下代码填入启动命令中。请将 <仿真服务器IP> 和 <ckpt路径> 替换为实际值：

                Bash
                
            

                eval "$(conda shell.bash hook)"
conda activate simpler_env

nohup python /root/workspace/baige/rt1_remote_inference.py \
    --server http://<仿真服务器IP>:8100 \
    --ckpt-path <ckpt路径> \
    --task google_robot_pick_coke_can \
    --n-trajs 10
            

示例（假设仿真服务器 IP 为 192.168.1.100）：

                Bash
                
            

                nohup python /root/workspace/baige/rt1_remote_inference.py \
    --server http://192.168.1.100:8100 \
    --ckpt-path /root/workspace/SimplerEnv/checkpoints/rt_1_x_tf_trained_for_002272480_step \
    --task google_robot_pick_coke_can \
    --n-trajs 10
            

运行效果

四、关键参数说明

本地推理参数（步骤 3 使用）

参数	必选	说明	默认值	示例
`--policy`	是	策略类型，目前支持 rt1	-	`rt1`
`--ckpt-path`	是	模型 checkpoint 路径	-	`./checkpoints/rt_1_x_tf_trained_for_002272480_step`
`--task`	是	仿真任务名称（见第五节任务列表）	-	`google_robot_pick_coke_can`
`--n-trajs`	否	评估的轨迹数量，越多结果越稳定	`10`	`3`（快速测试用）
`--logging-root`	否	结果文件保存目录	`./results_simple_eval/`	`./my_results/`

远程服务参数（第三节使用）

仿真服务器端（env_server.py）：

参数	必选	说明	默认值	示例
`--host`	否	监听地址	`0.0.0.0`	`0.0.0.0`（监听所有网卡）
`--port`	否	监听端口号	`8100`	`8100`
`--max-envs`	否	最大并发仿真环境数	`5`	`3`（显存不足时可调低）

推理客户端（rt1_remote_inference.py）：

参数	必选	说明	默认值	示例
`--server`	是	仿真服务器地址（含端口）	-	`http://192.168.1.100:8100`
`--ckpt-path`	是	模型 checkpoint 路径	-	`./checkpoints/rt_1_x_tf_trained_for_002272480_step`
`--task`	是	仿真任务名称	-	`google_robot_pick_coke_can`
`--n-trajs`	否	评估的轨迹数量	`10`	`10`
`--tf-memory-limit`	否	TF GPU 显存限制（MB）	`4096`	`2048`（与训练共享 GPU 时可调低）

五、常见任务列表

以下是目前支持的所有仿真任务。--task 参数需填写「task 名称」列中的值。

Google Robot 任务

抓取类任务：

task 名称	说明
`google_robot_pick_coke_can`	抓可乐罐（默认姿态，推荐入门）
`google_robot_pick_horizontal_coke_can`	可乐罐水平放置（增加难度）
`google_robot_pick_vertical_coke_can`	可乐罐垂直放置
`google_robot_pick_standing_coke_can`	可乐罐站立
`google_robot_pick_object`	抓取随机物体（泛化测试）

移动类任务：

task 名称	说明
`google_robot_move_near`	移动物体到目标附近（v1，推荐）
`google_robot_move_near_v0`	同上 v0 版本
`google_robot_move_near_v1`	同上 v1 版本

抽屉操作任务：

task 名称	说明
`google_robot_open_drawer`	打开抽屉（随机层）
`google_robot_open_top_drawer`	打开顶部抽屉
`google_robot_open_middle_drawer`	打开中间抽屉
`google_robot_open_bottom_drawer`	打开底部抽屉
`google_robot_close_drawer`	关闭抽屉（随机层）
`google_robot_close_top_drawer`	关闭顶部抽屉
`google_robot_close_middle_drawer`	关闭中间抽屉
`google_robot_close_bottom_drawer`	关闭底部抽屉

放置类任务：

task 名称	说明
`google_robot_place_in_closed_drawer`	放入关闭的抽屉（随机层）
`google_robot_place_in_closed_top_drawer`	放入顶部抽屉
`google_robot_place_in_closed_middle_drawer`	放入中间抽屉
`google_robot_place_in_closed_bottom_drawer`	放入底部抽屉
`google_robot_place_apple_in_closed_top_drawer`	放苹果到顶部抽屉

WidowX Bridge 任务

task 名称	说明
`widowx_spoon_on_towel`	勺子放毛巾上
`widowx_carrot_on_plate`	胡萝卜放盘子上
`widowx_stack_cube`	堆叠方块
`widowx_put_eggplant_in_basket`	茄子放篮子里

六、最佳实践建议

首次使用：推荐从 RT-1-X 模型 + google_robot_pick_coke_can 任务开始，这是最经典的评估组合
快速测试：使用 --n-trajs 3 减少测试时间，确认流程跑通后再增加轨迹数
性能优化：RTX 4090 上仿真服务器建议 --max-envs 不超过 5，避免显存溢出
结果保存：推理结果（视频 + 日志）自动保存在 --logging-root 指定的目录中
模型对比：可以对同一任务分别使用不同 checkpoint 运行评估，对比不同训练阶段的成功率

七、常见问题（FAQ）

Q1：首次运行时出现大量 TF 警告信息（cuDNN、cuFFT、cuBLAS 等），是否正常？

正常。这些是 TensorFlow 初始化 CUDA 库时的日志输出，不影响推理结果。只要最终没有报 Error 即可。

Q2：运行报错 OSError: SavedModel file does not exist，怎么办？

说明 --ckpt-path 指定的路径不正确。请确认：

路径指向的目录中包含 saved_model.pb 文件
可以用 ls <你的ckpt路径>/ 检查目录内容
如果使用 BOS 下载，请确认下载是否完整（bcecmd 命令是否成功执行）

Q3：远程调用模式下，推理服务器连不上仿真服务器？

请检查：

仿真服务器是否已启动（curl http://<仿真服务器IP>:8100/tasks 应返回任务列表）
两台开发机是否在同一 VPC 网络下 / 正确配置了 BLB
BLB 是否正确配置了 8100 端口的监听
防火墙是否放行了 8100 端口

Q4：可以用自己训练的 RT-1 模型吗？

可以。只要您的模型是 TensorFlow SavedModel 格式（目录中包含 saved_model.pb），将 --ckpt-path 指向您的模型目录即可。

Q5：如何查看评估结果？

推理完成后，终端会输出每条轨迹的成功/失败状态和总体成功率。详细的仿真视频和日志保存在 --logging-root 指定的目录中，可以直接下载查看，也可以根据输出报文查看。

评价此篇文章

有帮助没帮助

通过百舸平台快速开始搭建 Libero 仿真环境并调用

常见问题

百度智能云

百度百舸 · AI计算平台

百度百舸 · AI计算平台

通过百舸平台快速开始搭建 Simpler 仿真环境并调用

一、产品简介

二、快速开始

步骤 1：环境准备与开发机创建

推荐硬件配置

1.1 创建开发机

1.2 登录开发机

步骤 2：下载模型

步骤 3：运行推理

快速测试

运行效果

【可选】RDP 连接运行

三、进阶功能：远程调用（C/S 架构）

场景说明

创建流程

仿真服务器配置（Server B）

推理服务器配置（Server A）

运行效果

四、关键参数说明

本地推理参数（步骤 3 使用）

远程服务参数（第三节使用）

五、常见任务列表

Google Robot 任务

WidowX Bridge 任务

六、最佳实践建议

七、常见问题（FAQ）