LeRobot documentation
NVIDIA IsaacLab Arena & LeRobot
NVIDIA IsaacLab Arena & LeRobot
LeRobot EnvHub ahora admite simulación acelerada por GPU con IsaacLab Arena para la evaluación de políticas a gran escala. Entrena y evalúa políticas de aprendizaje por imitación con simulación de alta fidelidad, todo integrado en el ecosistema de LeRobot.
IsaacLab Arena se integra con NVIDIA IsaacLab para ofrecer:
- 🤖 Encarnaciones humanoides: GR1, G1, Galileo con diversas configuraciones
- 🎯 Tareas de manipulación y locomoción-manipulación: apertura de puertas, recogida y colocación, pulsación de botones y más
- ⚡ Rollouts acelerados por GPU: Ejecución paralela de entornos en GPUs de NVIDIA
- 🖼️ RTX Rendering: Evalúe políticas basadas en visión con renderizado realista, reflejos y refracciones
- 📦 Conjuntos de datos compatibles con LeRobot: Listos para entrenar con GR00T N1x, PI0, SmolVLA, ACT y políticas de Diffusion
- 🔄 Integración con EnvHub: Carga entornos desde HuggingFace EnvHub con una sola línea
Instalación
Prerrequisitos
Los requisitos de hardware son los mismos que los de Isaac Sim y se detallan en Requisitos de Isaac Sim.
- GPU de NVIDIA con soporte para CUDA
- Controlador de NVIDIA compatible con IsaacSim 5.1.0
- Linux (Ubuntu 22.04 / 24.04)
Configuración
# 1. Create conda environment
conda create -y -n lerobot-arena python=3.11
conda activate lerobot-arena
conda install -y -c conda-forge ffmpeg=7.1.1
# 2. Install Isaac Sim 5.1.0
pip install "isaacsim[all,extscache]==5.1.0" --extra-index-url https://pypi.nvidia.com
# Accept NVIDIA EULA (required)
export ACCEPT_EULA=Y
export PRIVACY_CONSENT=Y
# 3. Install IsaacLab 2.3.0
git clone https://github.com/isaac-sim/IsaacLab.git
cd IsaacLab
git checkout v2.3.0
./isaaclab.sh -i
cd ..
# 4. Install IsaacLab Arena
git clone https://github.com/isaac-sim/IsaacLab-Arena.git
cd IsaacLab-Arena
git checkout release/0.1.1
pip install -e .
cd ..
# 5. Install LeRobot (evaluation extra for env/policy evaluation)
git clone https://github.com/huggingface/lerobot.git
cd lerobot
pip install -e ".[evaluation]"
# 6. Install additional dependencies
pip install onnxruntime==1.23.2 lightwheel-sdk==1.0.1 vuer[all]==0.0.70 qpsolvers==4.8.1
pip install numpy==1.26.0 # Isaac Sim 5.1 depends on numpy==1.26.0, this will be fixed in next releaseEvaluación de políticas
Políticas preentrenadas
Las siguientes políticas entrenadas están disponibles:
| Política | Arquitectura | Tarea | Enlace |
|---|---|---|---|
| pi05-arena-gr1-microwave | PI0.5 | GR1 Microondas | HuggingFace |
| smolvla-arena-gr1-microwave | SmolVLA | GR1 Microondas | HuggingFace |
Evaluar SmolVLA
pip install -e ".[smolvla]"
pip install numpy==1.26.0 # revert numpy to version 1.26lerobot-eval \
--policy.path=nvidia/smolvla-arena-gr1-microwave \
--env.type=isaaclab_arena \
--env.hub_path=nvidia/isaaclab-arena-envs \
--rename_map='{"observation.images.robot_pov_cam_rgb": "observation.images.robot_pov_cam"}' \
--policy.device=cuda \
--env.environment=gr1_microwave \
--env.embodiment=gr1_pink \
--env.object=mustard_bottle \
--env.headless=false \
--env.enable_cameras=true \
--env.video=true \
--env.video_length=10 \
--env.video_interval=15 \
--env.state_keys=robot_joint_pos \
--env.camera_keys=robot_pov_cam_rgb \
--trust_remote_code=True \
--eval.batch_size=1Evaluar PI0.5
pip install -e ".[pi]"
pip install numpy==1.26.0 # revert numpy to version 1.26PI0.5 requires disabling torch compile for evaluation:
TORCH_COMPILE_DISABLE=1 TORCHINDUCTOR_DISABLE=1 lerobot-eval \
--policy.path=nvidia/pi05-arena-gr1-microwave \
--env.type=isaaclab_arena \
--env.hub_path=nvidia/isaaclab-arena-envs \
--rename_map='{"observation.images.robot_pov_cam_rgb": "observation.images.robot_pov_cam"}' \
--policy.device=cuda \
--env.environment=gr1_microwave \
--env.embodiment=gr1_pink \
--env.object=mustard_bottle \
--env.headless=false \
--env.enable_cameras=true \
--env.video=true \
--env.video_length=15 \
--env.video_interval=15 \
--env.state_keys=robot_joint_pos \
--env.camera_keys=robot_pov_cam_rgb \
--trust_remote_code=True \
--eval.batch_size=1To change the number of parallel environments, use the ```--eval.batch_size``` flag.
Qué esperar
Durante la evaluación, verás una barra de progreso que muestra la tasa de éxito actual:
Stepping through eval batches: 8%|██████▍ | 4/50 [00:45<08:06, 10.58s/it, running_success_rate=25.0%]Grabación de video
Para habilitar la grabación de video durante la evaluación, añade las siguientes banderas a tu comando:
--env.video=true \
--env.video_length=15 \
--env.video_interval=15Para más detalles sobre la grabación de video, consulte la Documentación de grabación de IsaacLab.
When running headless with `--env.headless=true`, you must also enable cameras explicitly for camera enabled environments:--env.headless=true --env.enable_cameras=true
Directorio de salida
Los videos de evaluación se guardan en el directorio de salida con la siguiente estructura:
outputs/eval/<date>/<timestamp>_<env>_<policy>/videos/<task>_<env_id>/eval_episode_<n>.mp4Por ejemplo:
outputs/eval/2026-01-02/14-38-01_isaaclab_arena_smolvla/videos/gr1_microwave_0/eval_episode_0.mp4Políticas de entrenamiento
Para obtener más información sobre el entrenamiento de políticas con LeRobot, consulte la documentación de entrenamiento:
Se pueden encontrar conjuntos de datos de muestra de IsaacLab Arena en HuggingFace Hub para experimentar:
| Dataset | Descripción | Frames |
|---|---|---|
| Arena-GR1-Manipulation-Task | Manipulación de microondas GR1 | ~4K |
| Arena-G1-Loco-Manipulation-Task | G1 manipulación | ~4K |
Configuración del entorno
Opciones de configuración completas
from lerobot.envs.configs import IsaaclabArenaEnvConfig
config = IsaaclabArenaEnvConfig(
# Environment selection
environment="gr1_microwave", # Task environment
embodiment="gr1_pink", # Robot embodiment
object="power_drill", # Object to manipulate
# Simulation settings
episode_length=300, # Max steps per episode
headless=True, # Run without GUI
device="cuda:0", # GPU device
seed=42, # Random seed
# Observation configuration
state_keys="robot_joint_pos", # State observation keys (comma-separated)
camera_keys="robot_pov_cam_rgb", # Camera observation keys (comma-separated)
state_dim=54, # Expected state dimension
action_dim=36, # Expected action dimension
camera_height=512, # Camera image height
camera_width=512, # Camera image width
enable_cameras=True, # Enable camera observations
# Video recording
video=False, # Enable video recording
video_length=100, # Frames per video
video_interval=200, # Steps between recordings
# Advanced
mimic=False, # Enable mimic mode
teleop_device=None, # Teleoperation device
disable_fabric=False, # Disable fabric optimization
enable_pinocchio=True, # Enable Pinocchio for IK
)Uso avanzado de Environment Hub directamente
Crea un archivo llamado test_env_load_arena.py o descárgalo desde EnvHub:
import logging
from dataclasses import asdict
from pprint import pformat
import torch
import tqdm
from lerobot.configs import parser
from lerobot.configs.eval import EvalPipelineConfig
@parser.wrap()
def main(cfg: EvalPipelineConfig):
"""Run random action rollout for IsaacLab Arena environment."""
logging.info(pformat(asdict(cfg)))
from lerobot.envs import make_env
env_dict = make_env(
cfg.env,
n_envs=cfg.env.num_envs,
trust_remote_code=True,
)
env = next(iter(env_dict.values()))[0]
env.reset()
for _ in tqdm.tqdm(range(cfg.env.episode_length)):
with torch.inference_mode():
actions = env.action_space.sample()
obs, rewards, terminated, truncated, info = env.step(actions)
if terminated.any() or truncated.any():
obs, info = env.reset()
env.close()
if __name__ == "__main__":
main()Ejecutar con:
python test_env_load_arena.py \
--env.environment=g1_locomanip_pnp \
--env.embodiment=gr1_pink \
--env.object=cracker_box \
--env.num_envs=4 \
--env.enable_cameras=true \
--env.seed=1000 \
--env.video=true \
--env.video_length=10 \
--env.video_interval=15 \
--env.headless=false \
--env.hub_path=nvidia/isaaclab-arena-envs \
--env.type=isaaclab_arenaCreación de nuevos entornos
Primero, cree un nuevo entorno de IsaacLab Arena siguiendo la Documentación de IsaacLab Arena.
Clona nuestro repositorio de EnvHub:
git clone https://huggingface.co/nvidia/isaaclab-arena-envsModifica el archivo example_envs.yaml en función de tu nuevo entorno. Sube tu repositorio modificado a HuggingFace EnvHub.
Your IsaacLab Arena environment code must be locally available during evaluation. Users can clone your environment repository separately, or you can bundle the environment code and assets directly in your EnvHub repo.
Luego, al evaluar, usa tu nuevo entorno:
lerobot-eval \
--env.hub_path=<your-env-hub-path>/isaaclab-arena-envs \
--env.environment=<your new environment> \
...other flags...¡Esperamos con interés tus contribuciones!
Solución de problemas
Memoria insuficiente de CUDA
Reduce batch_size o usa una GPU con más VRAM:
--eval.batch_size=1
EULA no aceptado
Establezca las variables de entorno antes de ejecutar:
export ACCEPT_EULA=Y
export PRIVACY_CONSENT=YLa grabación de video no funciona
Habilitar las cámaras al ejecutar en modo sin interfaz:
--env.video=true --env.enable_cameras=true --env.headless=trueIncompatibilidad de la dimensión de la salida de la política
Asegúrate de que action_dim coincida con tu política:
--env.action_dim=36
Errores de libGLU.so.1 durante la inicialización de Isaac Sim
Asegúrate de tener instaladas las siguientes dependencias, es probable que esto ocurra en máquinas sin interfaz gráfica.
sudo apt update && sudo apt install -y libglu1-mesa libxt6Véase también
- Documentación de EnvHub - Uso general de EnvHub
- GitHub de IsaacLab Arena
- Documentación de IsaacLab
Lightwheel LW-BenchHub
Lightwheel está incorporando Lightwheel-Libero-Tasks y Lightwheel-RoboCasa-Tasks, con 268 tareas, al ecosistema de LeRobot.
LW-BenchHub recopila y genera conjuntos de datos a gran escala mediante teleoperación que cumplen con la especificación de LeRobot, lo que permite flujos de trabajo de entrenamiento y evaluación listos para usar.
Con la interfaz unificada que proporciona EnvHub, los desarrolladores pueden construir rápidamente pipelines experimentales de extremo a extremo.
Instalación
Si has seguido los pasos de Instalación, puedes instalar LW-BenchHub con:
conda install pinocchio -c conda-forge -y
pip install numpy==1.26.0 # revert numpy to version 1.26
sudo apt-get install git-lfs && git lfs install
git clone https://github.com/LightwheelAI/lw_benchhub
cd lw_benchhub
git lfs pull # Ensure LFS files (e.g., .usd assets) are downloaded
pip install -e .Para obtener instrucciones más detalladas, consulte la Documentación de LW-BenchHub.
Lightwheel Tasks Dataset
Los conjuntos de datos de LW-BenchHub están disponibles en HuggingFace Hub:
| Dataset | Descripción | Tareas | Frames |
|---|---|---|---|
| Lightwheel-Tasks-X7S | X7S LIBERO y RoboCasa | 117 | ~10.3M |
| Lightwheel-Tasks-Double-Piper | Double-Piper LIBERO | 130 | ~6.0M |
| Lightwheel-Tasks-G1-Controller | G1-Controller LIBERO | 62 | ~2.7M |
| Lightwheel-Tasks-G1-WBC | G1-WBC RoboCasa | 32 | ~1.5M |
Para las políticas de entrenamiento, consulte la sección Políticas de entrenamiento.
Evaluación de políticas
Políticas preentrenadas
Las siguientes políticas entrenadas están disponibles:
| Política | Arquitectura | Tarea | Diseño | Robot | Enlace |
|---|---|---|---|---|---|
| smolvla-double-piper-pnp | SmolVLA | L90K1PutTheBlackBowlOnThePlate | libero-1-1 | DoublePiper-Abs | HuggingFace |
Evaluar SmolVLA
lerobot-eval \
--policy.path=LightwheelAI/smolvla-double-piper-pnp \
--env.type=isaaclab_arena \
--rename_map='{"observation.images.left_hand_camera_rgb": "observation.images.left_hand", "observation.images.right_hand_camera_rgb": "observation.images.right_hand", "observation.images.first_person_camera_rgb": "observation.images.first_person"}' \
--env.hub_path=LightwheelAI/lw_benchhub_env \
--env.kwargs='{"config_path": "configs/envhub/example.yml"}' \
--trust_remote_code=true \
--env.state_keys=joint_pos \
--env.action_dim=12 \
--env.camera_keys=left_hand_camera_rgb,right_hand_camera_rgb,first_person_camera_rgb \
--policy.device=cuda \
--eval.batch_size=10 \
--eval.n_episodes=100Configuración del entorno
La evaluación puede iniciarse rápidamente modificando las configuraciones de robot, task y layout en el archivo de configuración.
Opciones de configuración completas
# =========================
# Basic Settings
# =========================
disable_fabric: false
device: cuda:0
sensitivity: 1.0
step_hz: 50
enable_cameras: true
execute_mode: eval
episode_length_s: 20.0 # Episode length in seconds, increase if episodes timeout during eval
# =========================
# Robot Settings
# =========================
robot: DoublePiper-Abs # Robot type, DoublePiper-Abs, X7S-Abs, G1-Controller or G1-Controller-DecoupledWBC
robot_scale: 1.0
# =========================
# Task & Scene Settings
# =========================
task: L90K1PutTheBlackBowlOnThePlate # Task name
scene_backend: robocasa
task_backend: robocasa
debug_assets: null
layout: libero-1-1 # Layout and style ID
sources:
- objaverse
- lightwheel
- aigen_objs
object_projects: []
usd_simplify: false
seed: 42
# =========================
# Object Placement Retry Settings
# =========================
max_scene_retry: 4
max_object_placement_retry: 3
resample_objects_placement_on_reset: true
resample_robot_placement_on_reset: true
# =========================
# Replay Configuration Settings
# =========================
replay_cfgs:
add_camera_to_observation: true
render_resolution: [640, 480]