Simulation <unk> Isaac Lab & MuJoCo
OpenArm-Simulationsdokumentation: Isaac Lab-Erstärkung von Lernumgebungen (Reaching, Lifting, Schubladeöffnung) und die Einrichtung von MuJoCo-Fiziksimulationen mit Drehmomentkontrolle.
Siehe auch OpenArm Hardware Hub.
Auf dieser Seite
- Ich bin nicht sicher.
- [Übersicht]
- [Version Info]
- [Demo-Umgebungen]
- [Kommend bald]
- Ich bin nicht ein Schwein.
- [Überblick]
- [Setup]
T10 ) - [Technische Angaben]
OpenArm Dokumente
- [Übersicht]
- [Startend]
- [Hardware]
- [Software]
- [Teleoperation]
- [Simulation]
- [FRA und Kauf]
Siehe auch
- [OpenArm 1 Quickstart]
- [← Alle Wiki-Artikel]
- Die Kommission hat die Kommission mit der Kommission übermittelt.
OpenArm Simulationsumgebungen für Verstärkung des Lernens, das Imitationslernen und die Grundlagenmodellforschung.
Isaac Lab NVIDIA Isaac Sim MuJoCo Verstärkung des Lernens Sim2Real Open Source
Quelle: docs.openarm.dev/simulation/ ** Letztes Update:** 6. April 2026
1. Isaac Lab Simulation
Überblick
Willkommen in der OpenArm Isaac Lab Simulation Documentation. OpenArm ist offiziell in das Isaac Sim / Isaac Lab** Ökosystem von NVIDIA integriert und ermöglicht die Entwicklung und Bewertung von Verstärkungsschulungen, Imitationsschulungen und grundlegenden Modellansätzen.
Das OpenArm-Modell wird unter einer Open-Source-Lizenz (Apache 2.0) veröffentlicht und das Team zielt darauf ab, praktische Simulationswerte, Schulungsarbeitsflüsse und Benchmarks zu bieten, die direkt auf reale Robotersysteme angewendet werden können.
Versioninformationen
| Component | Version |
|---|---|
| OpenArm | 1.0.0 |
| Isaac Sim | 5.1.0 |
| Isaac Lab | 2.3.0 |
| Python | 3.11 |
| Platform | Linux x86-64 |
| License | Apache 2.0 |
Verfügbare RL-Demo-Umgebungen
In dem openarm_isaac_lab -Repository sind vier Verstärkungslernumgebungen öffentlich verfügbar:
| Environment | Description |
|---|---|
| Reaching Task | Arm learns to reach target positions in 3D space |
| Lifting a Cube | Arm picks up a cube from a table surface |
| Opening a Drawer | Arm grasps and pulls open a drawer handle |
| Opening a Cabinet | Arm interacts with a hinged cabinet door |
Detaillierte Implementierungscode, Konfigurationsdateien und Nutzungsanweisungen finden Sie im GitHub-Repository openarm_isaac_lab.
Isaac Lab-Einstellung
Folgen Sie dem offiziellen Installationsführer von Isaac Lab unter docs.isaacsim.omniverse.nvidia.com, und klonen Sie dann die OpenArm-Erweiterung:
# Nach der Installation von Isaac Lab klonen Sie OpenArm-Erweiterung
cd /Pfad/zu/Isaaclab
git clone
Installieren Sie die Erweiterung ./isaaclab.sh -i Quelle/Erweiterungen/offener Arm_isaac_lab
# Ausführen einer Demo-Umgebung (Beispiel: Erreichen der Aufgabe) ./isaaclab.sh -p Quelle/Erweiterungen/Openarm_isaac_lab/Scripts/train.py \ --task OpenArm-Reichweite-v0 \ -Nummer 4096
Bald kommt
- Telebetriebskode
VR und Joystick Telebetrieb in Simulationen - Nachahmungslernen Code
Datensatz- und Verhaltenskloning-Einstellung - Sim2Real Code
Übertragung von Simulationen auf echte Hardware
** Beitrag** Sim2Real und Imitationslernbeiträge sind besonders willkommen.
2. MuJoCo-Simulation
Überblick
MuJoCo (Multi-Joint Dynamics with Contact) ist eine von Google DeepMind gepflegte Physik-Engine. MJCFs (MuJoCo Description Files) sind XML-Dateien, die alle sich beweglichen Scene-Komponenten beschreiben und die Algorithmus-Experimente in reproduzierbaren Umgebungen erleichtern.
Das OpenArm MuJoCo-Modell ist im openarm_mujoco Repository verfügbar.
Setup & Schnellstart
- Download und Installation von MuJoCo.
# MuJoCo 3.3.4 auf x86 Linux
Ich habe mich nicht gefreut.
Wget -q --show-progress \
"T37
- Startet den MuJoCo Simulationsbesucher.
CD "mujoco-${MUJOCO_VERSION}/bin" ./Simulation
- Klonen Sie das OpenArm MuJoCo-Repository.
git clone
- ** Laden Sie das OpenArm-Modell.** Öffnen Sie im MuJoCo-Simulationsfenster den Dateie-Explorer und ziehen Sie
T0 ins Fenster. Das zweibrochige OpenArm-Modell wird in der Physik-Simulation geladen.
Technische Details
Modell des Aktuators
Das MuJoCo-Modell verwendet Torque Control für Aktoren, die eine realistische Simulation ermöglichen und gleichzeitig eine Client-Side-Steuerung erfordern.
Geometrie-Gruppen
| Group | Purpose |
|---|---|
| Group 2 | Visual geometry (for rendering) |
| Group 3 | Collision geometry (for physics) |
Die Physik-Simulation verwendet den konveksen Rumpf von Kollisionsgeometrien und bietet eine effiziente Annäherung für die Kontaktrechnung.
Zusammensetzung des MJCF
Die MJCF-Dateien sind komponierbar
T1 Vollständige zweibrochige Einrichtung (beide Arme) - Einzelne Armkomponenten können für einzelne Aufgaben unabhängig geladen werden
Python API-Nutzung
# Grundlegende MuJoCo Python-Nutzung mit OpenArm Import von Mujoco Import von mujoco.viewer Import-Numpy als np
Lade das Modell Modell = mujoco.MjModel.from_xml_path("v1/openarm_bimanual.xml") Daten = mujoco.MjData(Modell)
# Anwendet das Drehmoment auf die Gelenke mit mujoco.viewer.launch_passive(modell, Daten) als Zuschauer: während viewer.is_running(): # Setzen Sie Drehmoment-Kommandos (Trend der Drehmomentsteuerung) Daten.ctrl[:] = np.zeros(model.nu)
Schritt-Simulation mujoco.mj_step(Modell, Daten) viewer.sync()
ROS2-Brücke (in Kürze)
Ein ROS2-Paket, das die Integration von MuJoCo als Schein-Hardware-Schnittstelle ermöglicht, wird kurz nach der Veröffentlichung des Modells V1 veröffentlicht. Dies ermöglicht es dem gesamten ROS2-Steuerungsstack, vor dem Einsatz in die echte Hardware gegen die MuJoCo-Simulation zu testen.
MuJoCo Ressourcen
- OpenArm MuJoCo-Repository: github.com/enactic/openarm_mujoco
- Die Dokumentation von MuJoCo: [mujoco.readthedocs.io]
- Google DeepMind MuJoCo veröffentlicht: [github.com/google-deepmind/mujoco]
Attribution Die Inhalte auf dieser Seite basieren auf der offiziellen OpenArm-Dokumentation unter docs.openarm.dev, Urheberrecht © 2025
Brauchen Sie eine OpenArm-Einheit, Ersatzteile oder eine zweite für Ihr Labor?