Robosuite: Standardisierte Manipulation Benchmarks auf MuJoCo
Robosuite-Tiefduck: 9 standardisierte Tisch-Tasks auf MuJoCo, Drop-in ALOHA und Robomimic-Unterstützung, MIT-Lizenz und 8 Roboterarme.
Robosuite wurde von der ARISE Initiative (Stanford, UT Austin, ASU) erstellt und ist der am häufigsten zitierte Manipulation Benchmark im Roboter-Lernen. Es liefert 9 Kern-Tisch-Tasks auf MuJoCo, Drop-in-Unterstützung für Mobile ALOHA und Robomimic, Steuerungs-Abstraktionen von Joint-Torque zum Betriebsraum und eine MIT-Lizenz, die es zur Standardwahl für lab-weite Imitations-Learning-Pipelines macht.
Browse kompatible Hardware Komm zu einem benutzerdefinierten Robosuite Env Komm zu den Datenmengen
MIT-Lizenz 9 Kern-Benchmark-Aufgaben Robomimic + ALOHA integriert
Was ist Robosuite?
Robosuite ist ein Open-Source-Modul-Simulations-Framework und Benchmark für Robotern Manipulation Learning, das ursprünglich im Surreal-Projekt an der Stanford Universität eingeführt und später von der ARISE Initiative
Das Framework liegt auf der Spitze von MuJoCo und fügt drei Dinge hinzu, die bloße MuJoCo Ihnen nicht gibt: eine standardisierte Aufgabenoberfläche mit Belohnungsschutzfunktionen, Erfolgskriterien und Reset-Logik; eine Roboter-Abstraktionsschicht, die die gleiche Aufgabe auf einer Franka, Sawyer, UR5e, Kinova, IIWA, Jaco oder der Mobile ALOHA-Bimanualplattform mit einer einzigen Argumentänderung ausführen lässt; und eine Controller-Abstraktionsschicht, die Joint-Torque, Joint-Position, Operationsraum und inverse Kinematik unter einer einheitlichen API-Steuerung ausstellt. Zusammen machen diese Abstraktionen Robosuite zur natürlichen Umgebung für das Training von Imitations-Lernpolitik, die sich über Roboter-Einführungen hinweg verallgemeinern muss.
Robomimic bietet BC, BC-RNN, BC-Transformer, IQL und CQL-Baselines mit Referenzkontrollpunkten für alle Robosuite-Kern Aufgaben, und die beiden Bibliotheken sind so konzipiert, dass Daten und Konfigurationen sauber hin und her übergeben werden. Diffusion Policy, ACT und viele VLA-Evaluierungspapiere verwenden Robosuite-Robomimic als Standard-Benchmarking-Stack.
Installation Schnellstart
Robosuite installiert in weniger als zwei Minuten. Das Framework zieht MuJoCo automatisch als Abhängigkeit, so dass eine einzige Pip-Installation eine funktionierende Einstellung erzeugt:
# Install Robosuite (MuJoCo is pulled as a dependency)
pip install robosuite
# Verify installation with a random-action rollout on Lift
python -c "import robosuite as suite; \
env = suite.make('Lift', robots='Panda', has_renderer=False); \
obs = env.reset(); \
for _ in range(100): obs, r, done, info = env.step(env.action_spec[0] * 0); \
print('Robosuite ready, reward:', r)"
Für das Imitationslernen fügen Sie Robomimic und die Demonstrationsdatenmengen aus dem ARISE-Hub hinzu. Ein vollständiger Robosuite + Robomimic-Workflow
pip install robomimic
# Download 200 human demonstrations for the Square peg task
python -m robomimic.scripts.download_datasets --tasks square
# Train BC-Transformer on those demos (~30 min on an RTX 4090)
python -m robomimic.scripts.train --config bc_transformer_square.json
Mobile ALOHA bi-manual-support ist als erstklassige robot-option verfügbar
Roboter und Aufgaben unterstützt
Robosuite unterstützt acht Tischmanipulatorarme: Franka Panda, Rethink Sawyer, Universal Robots UR5e, Kinova Gen3, Kuka IIWA, Jaco, Baxter (bi-manual) und ALOHA (bi-manual). Die Roboterabstraktionsschicht ist tief
Das Kernbenchmark besteht aus neun standardisierten Aufgaben, die zum Referenzsatz für veröffentlichte Manipulationsergebnisse geworden sind: Lift (einfach-Objekt-Häufung), Stack (vertikales Stapeln), Pick-Place (geordnete Bin-Sortierung über vier Objektklassen), Nut Assembly (Peg-in-Hoch mit quadratischen und runden Nüssen), Door (Leveröffnung), Wipe (Oberflächenreinigung mit variablen Schmutzverteilungen), Two-Arm Transport (zwei-Arm-Hochübergabe), Two-Arm Peg-In-Hole (zwei-Arm-Hochversammlung) und Two-Arm Lift (zwei-Arm-Kooperativ-Hochbewegung). Jede Aufgabe ist mit dicht und spärlich belohnten Varianten, konfigurierbaren Objektsätzen und deterministischen Samen ausgestattet.
Neben den Kern Aufgaben erleichtert Robosuites MJCF-Autorsystem die Erstellung von benutzerdefinierten Tischszenen: Werkzeugnutzung, Gießen, Einfügen mit Clearance-Variation, artikulierte Objektsmanipulation und sprachlich bedingte mehrstufige Sequenzen sind alle gemeinsame Community-Erweiterungen. LIBERO, RoboCasa und MimicGen sind alle auf Robosuite aufgebaut und erweitern es auf langen Horizont, Küchen-Skala und prozedural generierte Szenarien.
Benchmarks auf Robosuite
Die Robosuite Core-9-Task-Sammlung ist der am häufigsten reproduzierte Manipulation Benchmark in der Literatur. Referenzzahlen zu Lift, Can, Square und Transport stammen aus dem Robomimic-Papier (Mandlekar et al., CoRL 2021) und sind die Basislinie, gegen die fast jedes nachfolgende Imitations-Learning-Papier berichtet. Die Diffusion Policy (Chi et al., RSS 2023), ACT (Zhao et al., RSS 2023), und BC-Transformer veröffentlichten alle ihre Titelnummern zu Robosuite-Aufgaben.
Für die VLA-Evaluierung unterstützt Robosuite einen wachsenden Anteil der standardisierten Testbett. LIBERO-130 basiert auf Robosuites Aufgaben-Autoritersystem und verwendet dieselben Beobachtungs- und Aktionsräume. MimicGen, der automatisch aus einigen menschlichen Beispielen großflächige Demonstrationen erzeugt, läuft von Ende zu Ende auf Robosuite. Die Datensätze Open X-Embodiment und RoboCasa verwenden beide Robosuite-kompatible Aktionsspezifikationen, die die Bewertung der Politik zwischen Datensätzen einfach machen.
Vor- und Nachteile
** Stärken.** MIT-Lizenz, minimale Installation (ein Pip-Befehl), acht vorkalibrierte Roboterarme mit automatischer Belohnungsanpassung, neun standardisierte Kern Aufgaben mit veröffentlichten Basislinien, enge Integration mit Robomimic, LIBERO, MimicGen und Mobile ALOHA und eine tiefe Bibliothek von Community-Contributed-Erweiterungen. Da Robosuite die Kontaktphysik von MuJoCo erbt, ist es wirklich genau für die Manipulation von Tischplatten.
** Schwächen.** Der Umfang ist absichtlich auf die Manipulation von Tischplatten beschränkt
Wann man Robosuite wählt
Wählen Sie Robosuite, wenn Ihre Experimente über eine Tabelle manipulation sind und Sie wollen standardisierte Aufgaben statt Ihren eigenen zu bauen. Es ist die richtige Standard für die Nachbildung-Lern-Forschung, VLA-Evaluierung auf einem Franka oder zweibrochig ALOHA, robomimische Baseline-Reproduktion und jeden Workflow, wo das Veröffentlichen von Apfel-zu-Apfel-Vergleiche gegen frühere Papiere zählt. Die MIT-Lizenz und die Ein-Befehls-Installation machen es auch zum einfachsten Simulator für einen Kurs, Tutorial oder Hackathon.
Wählen Sie MuJoCo direkt, wenn Sie die vollständige Autorität als Benchmark-Horness benötigen. Wählen Sie Isaac Sim wenn fotorealistische Rendering oder ROS 2-Integration der Engpässe sind. Wählen Sie Isaac Lab wenn Sie GPU-parallel RL bei 4.096+ Envs für die Bewegung oder groß angelegte Ausbildung benötigen.
Erhalten Sie eine benutzerdefinierte Robosuite-Umgebung
RCSV baut benutzerdefinierte Robosuite-Umgebungen für Imitierungs-Lern- und VLA-Evaluierungsteams auf: neue Tabellaufgaben mit robomimic-kompatiblen Demonstrationsdaten-Sets, Kreuz-Inkarnations-Suiten, die die gleiche Politik über mehrere Arme auswerten, und Mobile ALOHA-Bimanual-Szenen mit Teleoperationswiedergabe. Jede Lieferungsschiffe mit Robomimischen Konfigurationen, deterministischen Samen und einem entsprechenden Teleoperationsdatensatz aus unserem San Francisco Labor.
Browse Store Get Custom Env Get Datasets
Verwandte Links
- [RL Umgebungshub]
T13 ) Vergleichen Sie 8 große Simulatoren. - Die Physik-Engine Robosuite baut auf.
- [Isaac Lab]
T15 ) GPU-parallel RL Alternative für groß angelegte Training. - [MuJoCo vs Isaac Sim 2026]
T16 ) Kopf-zu-Kopf-Simulator-Vergleich. - [Kompatible Hardware im Laden]
T17 ) Franka, Mobile ALOHA, UR5e. - Mainwerkteleoperationsdaten-Sets für das Imitationslernen.
Simulation bringt Sie auf 80%
Bewert auf echtem Hardware → Komm die Hardware → Sammeln Sie reale Daten →