机器人仿真教程丨Isaac Lab 可用环境与强化学习脚本使用指南

丽台科技

编辑于 2025年12月03日 11:21

NVIDIA Isaac Sim™ 是一款基于 NVIDIA Omniverse™ 构建的参考应用，使开发者能够在基于物理的虚拟环境中模拟和测试 AI 驱动的机器人开发解决方案。NVIDIA Isaac Lab 是一个适用于机器人学习的开源模块化框架，其模块化高保真仿真适用于各种训练环境，Isaac Lab 同时支持模仿学习（模仿人类）和强化学习（在尝试和错误中进行学习），为所有机器人具身提供了灵活的训练方法。它能够为各种训练场景提供用户友好的环境，帮助增加或更新机器人技能。

在上一篇的机器人仿真教程里，我们教大家网页链接，本篇教程将带大家了解 Isaac Lab 2.0 的可用环境以及如何使用强化学习脚本进行配置。

一、Isaac Sim 预置资产库

Isaac Sim 中提供了丰富的预置资产库，这些资产是构建机器人仿真场景的基石。所有资产均经过物理属性优化，可直接用于高精度仿真。

我们可以在 Isaac Sim 窗口下方的“Isaac Sim Assets[Beta]”菜单栏进行查看，资产会在线加载并提供预览。

二、Isaac Lab 强化学习环境

Isaac Lab 提供了开箱即用的强化学习环境，可与 Isaac Sim 资产库深度集成。

Single-agent 环境列表

首先，在 Isaac Lab 文件夹运行以下脚本，将会列出最新的可用环境列表。

 代码块
Python
自动换行
复制代码
./isaaclab.sh -p scripts/environments/list_envs.py复制成功

Isaac Lab 提供 7 类强化学习环境，涵盖从基础控制到复杂工业场景的全方位需求：

Comprehensive List of Environments

Comprehensive List of Environments 是 Isaac Lab 环境与推理任务的官方对照表，主要解决以下问题：

训练与推理环境分离：部分环境在训练和推理阶段需要不同的配置（如关闭随机扰动、固定目标位置等）
框架兼容性指引：明确每个环境支持的强化学习框架（RL-Games/RSL-RL/SKRL/SB3）及推荐算法
版本控制：确保训练完成的模型能够无缝部署到推理环境

具体每个类别所对应的环境 ID 可以在官网详细获取：

https://isaac-sim.github.io/IsaacLab/main/source/overview/environments.html

（复制链接至浏览器打开）

三、Isaac Lab 强化学习脚本实操

Isaac Lab 提供 30 多个即用型训练环境，支持 RL-Games、RSL-RL、SKRL 和 Stable-Baselines3 等主流强化学习框架，同时支持多智能体强化学习。

提示：

以上强化学习框架均已在安装 Isaac Lab 时一并安装，如果只想安装特定框架，可以将框架的名称作为参数传递。比如：

./isaaclab.sh -i rl_games

./isaaclab.sh -i rsl_rl

./isaaclab.sh -i skrl

./isaaclab.sh -i sb3

基本流程

1. 关键参数说明：

--headless：不进行渲染显示，显卡性能集中提升训练速度

--num_envs：根据 GPU 显存调整（NVIDIA RTX™ 5880 Ada 建议 128）

--video_length：控制视频时长（默认 200 帧）

2. 所有强化学习框架在 Isaac Lab 中遵循标准化命令格式：

 代码块
Python
自动换行
复制代码
# 1安装框架依赖  
./isaaclab.sh -i {框架名}  

# 2启动训练任务  
./isaaclab.sh -p scripts/reinforcement_learning/{框架名}/train.py \  
    --task {环境ID} \  
    --headless \          # 无GUI模式  
    --num_envs {并行数}   # 建议值：32-128  

# 3模型验证与可视化  
./isaaclab.sh -p scripts/reinforcement_learning/{框架名}/play.py \  
    --task {推理环境ID} \ # 使用Inference Task Name  
    --checkpoint /path/to/model \  
    --video               # 录制视频（需ffmpeg）

# 4使用TensorBoard监控与日志分析
./isaaclab.sh -p -m tensorboard.main --logdir=logs  复制成功

实操演示

我们本次以 Isaac-Velocity-Rough-G1-v0 为例运行 Demo，通过 Comprehensive List of Environments 可以查询到该环境支持 rsl_rl (PPO)、skrl (PPO) 框架。

1. 使用 RSL-RL 进行训练：

 代码块
Python
自动换行
复制代码
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/train.py\
--task lsaac-Velocity-Rough-G1-v0 \
--headless \
--num envs 128 \
--max iterations 100\
--experiment name g1 rough复制成功

2. 进行实时渲染测试查看效果：

 代码块
Python
自动换行
复制代码
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/play.py 
--task Isaac-Velocity-Rough-G1-Play-v0 
--checkpoint logs/rsl_rl/g1_rough/2025-07-01_16-08-48/model_99.pt 
--real-time 
--num_envs 4复制成功

3. 使用 TensorBoard 监控与日志分析：

 代码块
Python
自动换行
复制代码
./isaaclab.sh -p -m tensorboard.main --logdir=logs  复制成功

4. 最后还可以进行视频录制，具体命令参数如下：

 代码块
自动换行
复制代码
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/play.py \  
--task Isaac-Velocity-Rough-G1-Play-v0 \ 
--checkpoint logs/rsl_rl/g1_rough/2025-07-01_16-08-48/model_99.pt \  
--headless \
--video \
--video_length 500 \" class=复制成功

5. 录制完成后可在对应 log 目录下查看：

四、机器人仿真环境推荐硬件配置

以下是丽台针对个人开发者/研究人员的机器人仿真环境推荐配置，能流畅运行 Isaac Lab 以及机器人训练和仿真所需的算力，同时可再与企业级多卡集群方案形成互补，能够完全满足中小规模的实验需求。

LEADTEK WS3008 工作站

LEADTEK WS3008 产品特性

支持选配 2 张 NVIDIA RTX 5880 Ada GPU
支持单 Intel Xeon W-3400、W-2400 系列处理器
Intel W790 芯片组
支持最高至 350W CPU TDP
支持最多 DDR5-4800MHz x8 内存
支持 4 PCIe 5.0 x16 插槽
支持 1 M.2 NVMe PCI-E 4.0 x4
支持 2 个 10GbE BaseT、1 个 2.5GbE BaseT 和 1 个 1GbE BaseT 网口
支持 1 个 IPMI 管理口
支持 2 个 USB-A
支持 1 个 VGA 口，1 个 COM 口
支持 1 个 1200W/1300W 铂金电源
机箱体积：400.0×278.0×167.6 mm

如需获取更多产品信息，欢迎联系丽台科技：

400-138-8886

service@leadtek.com.cn

更多机器人仿真教程

请持续关注丽台科技

*与NVIDIA产品相关的图片或视频（完整或部分）的版权均归NVIDIA Corporation所有。

cv43978064

分享至

投诉或建议