LeRobot documentation
NVIDIA IsaacLab Arena & LeRobot
NVIDIA IsaacLab Arena & LeRobot
LeRobot EnvHub prend désormais en charge la simulation accélérée par GPU avec IsaacLab Arena pour l'évaluation des politiques à grande échelle. Entraînez et évaluez des politiques d'apprentissage par imitation avec une simulation haute fidélité — le tout intégré à l'écosystème LeRobot.
IsaacLab Arena s'intègre à NVIDIA IsaacLab pour fournir :
- 🤖 Corps humanoïdes : GR1, G1, Galileo avec diverses configurations
- 🎯 Tâches de manipulation et de loco-manipulation : ouverture de porte, pick-and-place, appui sur bouton, et plus
- ⚡ Rollouts accélérés par GPU : Exécution parallèle des environnements sur des GPU NVIDIA
- 🖼️ Rendu RTX : Évaluer les politiques basées sur la vision avec un rendu réaliste, des réflexions et des réfractions
- 📦 Jeanneaux de données compatibles LeRobot : Prêts pour l'entraînement avec GR00T N1x, PI0, SmolVLA, ACT et les politiques Diffusion
- 🔄 Intégration EnvHub : Chargez des environnements depuis HuggingFace EnvHub en une seule ligne
Installation
Prérequis
Les exigences matérielles sont partagées avec Isaac Sim et sont détaillées dans Isaac Sim Requirements.
- GPU NVIDIA avec prise en charge de CUDA
- Pilote NVIDIA compatible avec IsaacSim 5.1.0
- Linux (Ubuntu 22.04 / 24.04)
Configuration
# 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 releaseÉvaluation des politiques
Politiques pré-entraînées
Les politiques entraînées suivantes sont disponibles :
| Politique | Architecture | Tâche | Lien |
|---|---|---|---|
| pi05-arena-gr1-microwave | PI0.5 | GR1 Micro-ondes | HuggingFace |
| smolvla-arena-gr1-microwave | SmolVLA | GR1 Micro-ondes | HuggingFace |
Évaluer 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=1Évaluer 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.
À quoi s'attendre
Lors de l'évaluation, vous verrez une barre de progression affichant le taux de réussite en cours :
Stepping through eval batches: 8%|██████▍ | 4/50 [00:45<08:06, 10.58s/it, running_success_rate=25.0%]Enregistrement vidéo
Pour activer l’enregistrement vidéo pendant l’évaluation, ajoutez les drapeaux suivants à votre commande :
--env.video=true \
--env.video_length=15 \
--env.video_interval=15Pour plus de détails sur l'enregistrement vidéo, consultez la documentation d'enregistrement 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
Répertoire de sortie
Les vidéos d'évaluation sont enregistrées dans le répertoire de sortie avec la structure suivante :
outputs/eval/<date>/<timestamp>_<env>_<policy>/videos/<task>_<env_id>/eval_episode_<n>.mp4Par exemple :
outputs/eval/2026-01-02/14-38-01_isaaclab_arena_smolvla/videos/gr1_microwave_0/eval_episode_0.mp4Politiques d'entraînement
Pour en savoir plus sur l'entraînement des politiques avec LeRobot, veuillez consulter la documentation d'entraînement :
Des jeux de données d'exemple pour IsaacLab Arena sont disponibles sur HuggingFace Hub pour des expérimentations :
| Jeu de données | Description | Images |
|---|---|---|
| Arena-GR1-Manipulation-Task | Manipulation micro-ondes GR1 | ~4K |
| Arena-G1-Loco-Manipulation-Task | Loco-manipulation G1 | ~4K |
Configuration de l'environnement
Options de configuration complètes
from lerobot.envs.configs import IsaaclabArenaEnv
config = IsaaclabArenaEnv(
# 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
)Utilisation directe d'Environment Hub pour un usage avancé
Créez un fichier nommé test_env_load_arena.py ou téléchargez-le depuis 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()Exécuter avec :
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_arenaCréer de nouveaux environnements
Créez d'abord un nouvel environnement IsaacLab Arena en suivant la documentation d'IsaacLab Arena.
Clonez notre dépôt EnvHub :
git clone https://huggingface.co/nvidia/isaaclab-arena-envsModifiez le fichier example_envs.yaml en fonction de votre nouvel environnement. Envoyez votre dépôt modifié sur 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.
Ensuite, lors de l'évaluation, utilisez votre nouvel environnement :
lerobot-eval \
--env.hub_path=<your-env-hub-path>/isaaclab-arena-envs \
--env.environment=<your new environment> \
...other flags...Nous attendons avec impatience vos contributions !
Dépannage
CUDA hors mémoire
Réduisez batch_size ou utilisez un GPU doté d'une VRAM plus importante :
--eval.batch_size=1
EULA non acceptée
Définissez les variables d’environnement avant l’exécution :
export ACCEPT_EULA=Y
export PRIVACY_CONSENT=YEnregistrement vidéo non fonctionnel
Activer les caméras lors de l’exécution en mode sans interface :
--env.video=true --env.enable_cameras=true --env.headless=trueIncohérence de la dimension de sortie de la politique
Vérifiez que action_dim correspond à votre politique :
--env.action_dim=36
libGLU.so.1 Erreurs lors de l'initialisation d'Isaac Sim
Vérifiez que les dépendances suivantes sont installées, ce qui est susceptible de se produire sur des machines sans interface graphique.
sudo apt update && sudo apt install -y libglu1-mesa libxt6Voir aussi
- Documentation EnvHub - Utilisation générale d'EnvHub
- GitHub IsaacLab Arena
- Documentation IsaacLab
Lightwheel LW-BenchHub
Lightwheel met à disposition Lightwheel-Libero-Tasks et Lightwheel-RoboCasa-Tasks, comprenant 268 tâches, au sein de l'écosystème LeRobot.
LW-BenchHub collecte et génère des jeux de données à grande échelle via la téléopération, conformes à la spécification LeRobot, permettant des flux de travail d'entraînement et d'évaluation prêts à l'emploi.
Grâce à l'interface unifiée fournie par EnvHub, les développeurs peuvent rapidement construire des pipelines expérimentaux de bout en bout.
Installer
En supposant que vous avez suivi les étapes de Installation, vous pouvez installer LW-BenchHub avec :
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 .Pour des instructions plus détaillées, veuillez consulter la documentation de LW-BenchHub.
Lightwheel Tasks Dataset
Les jeux de données LW-BenchHub sont disponibles sur HuggingFace Hub :
| Jeu de données | Description | Tâches | Images |
|---|---|---|---|
| Lightwheel-Tasks-X7S | X7S LIBERO et 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 |
Pour les politiques d'entraînement, reportez-vous à la section Training Policies.
Évaluation des politiques
Politiques pré-entraînées
Les politiques entraînées suivantes sont disponibles :
| Politique | Architecture | Tâche | Mise en page | Robot | Lien |
|---|---|---|---|---|---|
| smolvla-double-piper-pnp | SmolVLA | L90K1PutTheBlackBowlOnThePlate | libero-1-1 | DoublePiper-Abs | HuggingFace |
Évaluer 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=100Configuration de l'environnement
L'évaluation peut être lancée rapidement en modifiant les paramètres robot, task et layout dans le fichier de configuration.
Options de configuration complètes
# =========================
# 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]