LeRobot documentation
NVIDIA IsaacLab Arena & LeRobot
NVIDIA IsaacLab Arena & LeRobot
O LeRobot EnvHub agora suporta simulação acelerada por GPU com o IsaacLab Arena para avaliação de políticas em escala. Treine e avalie políticas de aprendizado por imitação com simulação de alta fidelidade — tudo integrado ao ecossistema LeRobot.
IsaacLab Arena integra-se ao NVIDIA IsaacLab para oferecer:
- 🤖 Embodimentes humanoides: GR1, G1, Galileo com diversas configurações
- 🎯 Tarefas de manipulação e locomanipulação: Abrir portas, pegar e colocar, pressionar botões e mais
- ⚡ Rollouts acelerados por GPU: Execução paralela de ambientes em GPUs NVIDIA
- 🖼️ RTX Rendering: Avalie políticas baseadas em visão com renderização realista, reflexos e refrações
- 📦 Conjuntos de dados compatíveis com LeRobot: Prontos para treinamento com GR00T N1x, PI0, SmolVLA, ACT e políticas de Diffusion
- 🔄 Integração com EnvHub: Carregue ambientes do HuggingFace EnvHub com uma linha
Instalação
Pré-requisitos
Os requisitos de hardware são compartilhados com o Isaac Sim e estão detalhados em Requisitos do Isaac Sim.
- GPU da NVIDIA com suporte a CUDA
- Driver da NVIDIA compatível com IsaacSim 5.1.0
- Linux (Ubuntu 22.04 / 24.04)
Configuração
# 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 releaseAvaliando Políticas
Políticas pré-treinadas
As seguintes políticas treinadas estão disponíveis:
| Política | Arquitetura | Tarefa | Link |
|---|---|---|---|
| pi05-arena-gr1-microwave | PI0.5 | GR1 Micro-ondas | HuggingFace |
| smolvla-arena-gr1-microwave | SmolVLA | GR1 Micro-ondas | HuggingFace |
Avaliar 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=1Avaliar 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.
O que esperar
Durante a avaliação, você verá uma barra de progresso mostrando a taxa de sucesso em andamento:
Stepping through eval batches: 8%|██████▍ | 4/50 [00:45<08:06, 10.58s/it, running_success_rate=25.0%]Gravação de Vídeo
Para habilitar a gravação de vídeo durante a avaliação, adicione as seguintes flags ao seu comando:
--env.video=true \
--env.video_length=15 \
--env.video_interval=15Para mais detalhes sobre gravação de vídeo, consulte a Documentação de Gravação do 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
Diretório de Saída
Os vídeos de avaliação são salvos no diretório de saída com a seguinte estrutura:
outputs/eval/<date>/<timestamp>_<env>_<policy>/videos/<task>_<env_id>/eval_episode_<n>.mp4Por exemplo:
outputs/eval/2026-01-02/14-38-01_isaaclab_arena_smolvla/videos/gr1_microwave_0/eval_episode_0.mp4Políticas de Treinamento
Para saber mais sobre o treinamento de políticas com LeRobot, consulte a documentação de treinamento:
Conjuntos de dados de exemplo do IsaacLab Arena estão disponíveis no HuggingFace Hub para experimentação:
| Conjunto de dados | Descrição | Frames |
|---|---|---|
| Arena-GR1-Manipulation-Task | Manipulação de micro-ondas GR1 | ~4K |
| Arena-G1-Loco-Manipulation-Task | G1 locomanipulação | ~4K |
Configuração do Ambiente
Opções de Configuração Completa
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
)Usando o Environment Hub diretamente para uso avançado
Crie um arquivo chamado test_env_load_arena.py ou baixe do 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()Execute com:
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_arenaCriando Novos Ambientes
Primeiro, crie um novo ambiente IsaacLab Arena seguindo a Documentação do IsaacLab Arena.
Clone o nosso repositório EnvHub:
git clone https://huggingface.co/nvidia/isaaclab-arena-envsModifique o arquivo example_envs.yaml com base no seu novo ambiente. Envie o repositório modificado para o 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.
Em seguida, ao avaliar, use seu novo ambiente:
lerobot-eval \
--env.hub_path=<your-env-hub-path>/isaaclab-arena-envs \
--env.environment=<your new environment> \
...other flags...Aguardamos suas contribuições!
Solução de problemas
Memória CUDA esgotada
Reduza o batch_size ou use uma GPU com mais VRAM:
--eval.batch_size=1
EULA não aceita
Defina as variáveis de ambiente antes de executar:
export ACCEPT_EULA=Y
export PRIVACY_CONSENT=YGravação de vídeo não está funcionando
Ative as câmeras ao executar em modo headless:
--env.video=true --env.enable_cameras=true --env.headless=trueIncompatibilidade de dimensão na saída da política
Certifique-se de que action_dim corresponda à sua política:
--env.action_dim=36
Erros do libGLU.so.1 durante a inicialização do Isaac Sim
Certifique-se de que as seguintes dependências estão instaladas, isso provavelmente ocorrerá em máquinas headless.
sudo apt update && sudo apt install -y libglu1-mesa libxt6Veja também
- Documentação do EnvHub - Uso geral do EnvHub
- GitHub do IsaacLab Arena
- Documentação do IsaacLab
Lightwheel LW-BenchHub
Lightwheel está trazendo Lightwheel-Libero-Tasks e Lightwheel-RoboCasa-Tasks com 268 tarefas para o ecossistema LeRobot.
O LW-BenchHub coleta e gera datasets em larga escala por meio de teleoperação, em conformidade com a especificação do LeRobot, permitindo fluxos de trabalho de treinamento e avaliação prontos para uso.
Com a interface unificada fornecida pelo EnvHub, os desenvolvedores podem construir rapidamente pipelines experimentais de ponta a ponta.
Instalar
Pressupondo que você seguiu as etapas de Instalação, você pode instalar o LW-BenchHub com:
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 instruções mais detalhadas, consulte a Documentação do LW-BenchHub.
Conjunto de Dados de Tarefas do Lightwheel
Os conjuntos de dados do LW-BenchHub estão disponíveis no HuggingFace Hub:
| Conjunto de dados | Descrição | Tarefas | Frames |
|---|---|---|---|
| Lightwheel-Tasks-X7S | X7S LIBERO e 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 treinar políticas, consulte a seção Training Policies.
Avaliando Políticas
Políticas pré-treinadas
As seguintes políticas treinadas estão disponíveis:
| Política | Arquitetura | Tarefa | Layout | Robô | Link |
|---|---|---|---|---|---|
| smolvla-double-piper-pnp | SmolVLA | L90K1PutTheBlackBowlOnThePlate | libero-1-1 | DoublePiper-Abs | HuggingFace |
Avaliar 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=100Configuração do Ambiente
A avaliação pode ser iniciada rapidamente modificando as configurações de robot, task e layout no arquivo de configuração.
Opções de Configuração Completa
# =========================
# 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]