Software de simulación de robots Comparado: MuJoCo, Isaac Sim, Gazebo
Comparación de plataformas de simulación de robots: MuJoCo, NVIDIA Isaac Sim, Gazebo, CoppeliaSim, PyBullet. características, rendimiento y casos de uso.
Por qué es importante la simulación
La simulación desempeña tres funciones críticas en la robótica moderna: ** formación política** (generar millones de episodios para el aprendizaje de refuerzo sin desgastar el hardware), ** validación** (prueba de software de control antes de desplegarlo en un robot de más de $ 50,000) y ** aumento de datos** (generar demostraciones sintéticas para complementar la recopilación de datos del mundo real).
La elección del simulador afecta directamente a su tasa de éxito de transferencia de sim a real. Un simulador con física de contacto pobre producirá políticas que fallan en el hardware real. Un simulador con renderización lenta bloqueará su bucle de entrenamiento RL. Esta guía le ayuda a combinar el simulador adecuado con su caso de uso específico.
RCSV utiliza ampliamente la simulación en nuestro servicio [RL Environment]
Tabla de comparación principal
| Simulator | Motor de Física | Rendering | GPU Required | RL Envs/sec | ROS2 | License | Best For |
|---|---|---|---|---|---|---|---|
| MuJoCo 3.x | MuJoCo (convex contact) | OpenGL / MJX (GPU) | No (CPU-only OK) | ~100K (MJX on GPU) | Via mujoco_ros2 | Apache 2.0 (free) | RL research, contact-rich tasks |
| NVIDIA Isaac Sim | PhysX 5 (GPU) | RTX ray tracing | Yes (RTX 3070+, 8GB+ VRAM) | ~50K (Isaac Lab) | Native (Isaac ROS) | Free (NVIDIA EULA) | Photorealistic sim, domain randomization |
| Genesis | Custom (differentiable, GPU) | Rasterization + ray tracing | Yes (CUDA GPU) | ~430K (claimed) | Experimental | Apache 2.0 (free) | Differentiable physics, max throughput RL |
| Gazebo (Harmonic) | DART / Bullet / ODE | Ogre2 (rasterization) | No (GPU helps rendering) | ~1K (single env) | Native (ros_gz) | Apache 2.0 (free) | ROS2 integration, full-stack testing |
| PyBullet | Bullet 3 (CPU) | OpenGL (basic) | No | ~5K (headless) | Manual bridge | zlib (free) | Quick prototyping, teaching |
| Webots | ODE (modified) | WREN (rasterization) | No | ~500 (single env) | Native (webots_ros2) | Apache 2.0 (free) | Education, multi-robot scenarios |
| CoppeliaSim | Bullet / ODE / Vortex / Newton | OpenGL (rasterization) | No | ~800 (single env) | Via plugin (sim_ros2_interface) | Free (edu) / $3K (commercial) | Path planning, multi-physics switching |
RL Envs/sec = pasos paralelos aproximados por segundo en una sola estación de trabajo (RTX 4090 para las SIMs de GPU, CPU de 32 núcleos para las SIMs de CPU).
El motor de la física ...
El motor de física determina con qué precisión su simulación modela la realidad. Los factores críticos para la robótica son la resolución de contacto (cómo se calculan las colisiones y la fricción), el modelado conjunto (dinámica del actuador, reacción negativa, estricción) y el soporte de cuerpo deformable.
Física de MuJoCo
MuJoCo utiliza un solver de contacto convexo único basado en optimización que resuelve todos los contactos simultáneamente en cada paso de tiempo. Esto produce un comportamiento de contacto más estable y físicamente consistente que los solvers iterativos utilizados por Bullet y ODE.
- Contatos blandos: Impedancia de contacto configurable (rigidez + amortiguación) por par de geom. Es esencial para simular sujetadores de goma, dedos compatibles y objetos deformables.
- Integración implícita: El integrador semi-implicito de Euler con derivados analíticos permite grandes pasos de tiempo (2-5 ms) sin inestabilidad, lo que se traduce directamente en un entrenamiento más rápido.
- ** Modelos de tendón y actuador:** Soporte incorporado para tendones, músculos y sistemas de transmisión complejos.
Limitación: El modelo de contacto de MuJoCo asume geometrías de colisión convexas. Las mallas no convexas deben descomponerse en cascos convexos (utilizando V-HACD), que pueden introducir inexactitudes para formas complejas.
PhysX 5 (Isaac Sim)
El PhysX 5 de NVIDIA funciona completamente en la GPU, lo que permite un enorme paralelismo.
- Articulares de GPU: El solvente de articulación Featherstone funciona con GPU, permitiendo más de 4.096 instancias paralelas de robots para el entrenamiento RL.
- Caras deformables: Simulación de cuerpos blandos a base de FEM para tela, caucho y materiales orgánicos.
- Fricción de alta fidelidad: Modelo de fricción de parche que captura mejor la mecánica de contacto real que las aproximaciones de punto de contacto.
Limitación: Conexión estrecha con el hardware de NVIDIA.
Física del Génesis
Genesis es un nuevo participante (2024) que ofrece un motor de física completamente diferenciable. Esto significa que puede calcular gradientes a través de la simulación de física misma, lo que permite la optimización de trayectoria basada en gradientes y el aprendizaje de políticas diferenciables. La afirmación de que el entorno de 430K pasos/sec lo convierte en el simulador más rápido para RL, pero el ecosistema todavía está madurando y los resultados de transferencia de sim-to-real del mundo real son limitados.
Bullet (PyBullet, CoppeliaSim, Gazebo)
Bullet es el motor de física de código abierto más utilizado. Su solvente de impulso secuencial maneja bien la dinámica rígida del cuerpo para la navegación y la manipulación simple. Sin embargo, la estabilidad de contacto se degrada con contactos rígidos y pequeños pasos de tiempo, lo que lo hace menos adecuado para la manipulación de alta fidelidad en contacto en comparación con MuJoCo.
Rendering de calidad y aleatorización de dominio
Si su política utiliza observaciones visuales (imágenes de cámara), la calidad de renderización afecta directamente a la transferencia de imágenes simuladas a las imágenes reales.
Las capas de rendimiento
| Tier | Technology | Simulators | Visual Realism | Render Speed (640x480) |
|---|---|---|---|---|
| Basic | OpenGL rasterization | MuJoCo, PyBullet, CoppeliaSim | Low -- flat lighting, no reflections | 1000+ fps |
| Medium | PBR rasterization | Gazebo Harmonic, Webots | Medium -- PBR materials, shadows | 100-500 fps |
| High | RTX ray tracing | Isaac Sim, Genesis | High -- global illumination, reflections, caustics | 10-60 fps |
Randomization de dominio es una alternativa a la representación fotorrealista. En lugar de cerrar la brecha visual con una mejor representación, se randomiza las texturas, la iluminación, las poses de la cámara y los colores de los objetos para que la política aprenda a ser invariante a la apariencia visual. MuJoCo + la aleatorización de dominio es a menudo más efectiva que Isaac Sim sin aleatorización, porque la política ve suficiente diversidad visual durante el entrenamiento.
Isaac Sim sobresale cuando se necesita tanto renderización de alta fidelidad como aleatorización de dominios, por ejemplo, generando datos de entrenamiento sintéticos para redes de detección de objetos donde el fotorealismo mejora la precisión de detección.
Comparación de integración de ROS2
La integración de ROS2 determina la facilidad con que puede transferir su pila de control de simulación a un hardware real. Un buen puente ROS2 significa que sus nodos de control, tuberías de percepción y máquinas de estado funcionan de manera idéntica en la simulación y en el robot real.
Profundidad de integración por simulador
- Gazebo Harmonic: La mejor integración ROS2 de su clase. El puente
T2 publica datos de sensores, recibe comandos conjuntos y admite servicios / acciones con cero código adicional. Si está construyendo una pila de control basada en ROS2, Gazebo es la opción natural para la prueba. Los archivos de lanzamiento pueden intercambiarse entre sim y real con un solo cambio de parámetro. - Webots: El paquete
T3 proporciona integración nativa con cartografía automática de temas. - Isaac Sim: Los paquetes Isaac ROS de NVIDIA proporcionan puentes para la cámara, IMU y temas de estado conjunto.
- MuJoCo: El paquete comunitario
T4 permite realizar comandos conjuntos y datos de sensores. Funciona bien para la manipulación de brazos, pero requiere una configuración manual para cada modelo de robot. - PyBullet: No hay puente oficial de ROS2. Debe escribir editores/subscriptores personalizados en su guión de formación.
# Example: Launch Gazebo with ROS2 bridge for OpenArm
ros2 launch ros_gz_sim gz_sim.launch.py world_sdf_file:=openarm_tabletop.sdf
ros2 run ros_gz_bridge parameter_bridge \
/joint_states@sensor_msgs/msg/JointState@gz.msgs.Model \
/joint_commands@trajectory_msgs/msg/JointTrajectory@gz.msgs.JointTrajectory
Requisitos de hardware
Su hardware disponible a menudo reduce la elección del simulador antes de cualquier otro factor.
| Simulator | Min GPU | Recommended GPU | Min RAM | Min CPU Cores | Disk (install) |
|---|---|---|---|---|---|
| MuJoCo 3.x | None (CPU) | Any CUDA GPU (for MJX) | 4 GB | 4 | ~200 MB |
| Isaac Sim | RTX 3070 (8 GB VRAM) | RTX 4090 (24 GB VRAM) | 32 GB | 8 | ~50 GB |
| Genesis | CUDA GPU (8 GB VRAM) | RTX 4090 | 16 GB | 8 | ~5 GB |
| Gazebo Harmonic | None (integrated OK) | Any discrete GPU | 8 GB | 4 | ~2 GB |
| PyBullet | None | None | 4 GB | 2 | ~100 MB |
| Webots | None (integrated OK) | Any discrete GPU | 8 GB | 4 | ~1.5 GB |
| CoppeliaSim | None (integrated OK) | Any discrete GPU | 8 GB | 4 | ~1 GB |
** Implicación de costos:** Isaac Sim en una estación de trabajo RTX 4090 cuesta entre 3.000 y 5.000 dólares para el hardware. MuJoCo en una instancia de nube de solo CPU cuesta 0,10 dólares por hora en AWS (c5.4xlarge). Para los equipos sin hardware de GPU, MuJoCo o Gazebo es la opción pragmática. RCSV proporciona acceso a las estaciones de trabajo de GPU con Isaac Sim preconfigurado a través de nuestro [servicio de Medio Ambiente RL]
Marco de decisión: Elegir su simulador
Responde a estas cuatro preguntas para limitar tu elección:
¿Cuál es su caso de uso principal?
- ** Formación política de RL (basada en el estado, sin imágenes):** MuJoCo o Genesis.
- ** Formación en políticas de RL (basada en la visión):** Isaac Sim (fotorealista) o MuJoCo + aleatorización de dominios (más rápida pero con menor fidelidad).
- ** Prueba de ROS2 de pila completa:** Gazebo Harmonic. La integración nativa significa que sus archivos de lanzamiento, archivos de parámetros y navegación de pila funcionan sin cambios.
- ** Generación de datos sintéticos:** Isaac Sim. RTX renderización + replicador de dominio de la aleatorización generar fotorealista etiquetado conjuntos de datos.
- Educación / prototipos rápidos: PyBullet (API más simple) o Webots (mejor interfaz gráfica y biblioteca de robots integrada).
- ** Simulación / optimización de trayectoria diferenciable:** Genesis o MuJoCo (a través de MJX con JAX auto-dif).
¿Tienes hardware de GPU de NVIDIA?
- No hay GPU: MuJoCo, Gazebo, PyBullet, Webots o CoppeliaSim.
- RTX 3070+ (8GB de RAM): Todas las opciones disponibles. Isaac Sim con un rendimiento mínimo viable.
- RTX 4090 o A100: Isaac Sim en plena capacidad.
¿Qué importancia tiene la compatibilidad ROS2?
- Crítico (envío de ROS2 a la producción): Gazebo > Webots > Isaac Sim > MuJoCo > CoppeliaSim > PyBullet.
- No es importante (entrenamiento independiente de RL): MuJoCo > Genesis > Isaac Sim > PyBullet.
¿Cuál es su presupuesto?
- $0 (estudiante/investigador): MuJoCo (Apache 2.0), PyBullet, Gazebo, Génesis.
- $0-$3K (inicio): Lo mismo que arriba, más Isaac Sim (licencia gratuita, pero requiere hardware de GPU).
- ** $ 3K + (empresa):** Licencia comercial CoppeliaSim añade el cambio multifísico.
Recomendaciones del CRSV
Basándonos en nuestra experiencia en decenas de proyectos de investigación y producción, aquí está lo que recomendamos para los escenarios comunes:
- ** Investigación de manipulación ( brazos, manos):** Comience con MuJoCo. Su física de contacto es la más precisa para la captura y la manipulación hábil. Utilice MJX para el entrenamiento paralelo acelerado por GPU. Proporcionamos modelos MuJoCo MJCF para la configuración bimanual de [OpenArm 1]
T12 ) y DK1. - ** Navigando robot móvil:** Utilice Gazebo Harmonic con Nav2. La integración de ROS2 es perfecta, y la pila de SLAM/navegación se transfiere directamente al hardware real.
- ** Política basada en la visión + datos sintéticos:** Utilice Isaac Sim con Isaac Lab para la formación RL y Replicator para generar imágenes etiquetadas sintéticas. Requiere inversión en GPU.
- Enseñanza / cursos: Utilice Webots. Tiene la mejor documentación, GUI y biblioteca de robots incorporada para el aprendizaje.
- ** Investigación de RL de rendimiento máximo:** Evaluar Genesis para su rendimiento de 430K env/s reclamado, pero verificar la transferencia sim-a-real de su tarea específica antes de comprometerse.
El servicio [RL Environment service] de RCSV (T13
Por qué es importante la simulación
La simulación desempeña tres funciones críticas en la robótica moderna: ** formación política** (generar millones de episodios para el aprendizaje de refuerzo sin desgastar el hardware), ** validación** (prueba de software de control antes de desplegarlo en un robot de más de $ 50,000) y ** aumento de datos** (generar demostraciones sintéticas para complementar la recopilación de datos del mundo real).
La elección del simulador afecta directamente a su tasa de éxito de transferencia de sim a real. Un simulador con física de contacto pobre producirá políticas que fallan en el hardware real. Un simulador con renderización lenta bloqueará su bucle de entrenamiento RL. Esta guía le ayuda a combinar el simulador adecuado con su caso de uso específico.
RCSV utiliza ampliamente la simulación en nuestro servicio RL Environment y en nuestro servicio Data Services.
Tabla de comparación principal
| Simulator | Motor de Física | Rendering | GPU Required | RL Envs/sec | ROS2 | License | Best For |
|---|---|---|---|---|---|---|---|
| MuJoCo 3.x | MuJoCo (convex contact) | OpenGL / MJX (GPU) | No (CPU-only OK) | ~100K (MJX on GPU) | Via mujoco_ros2 | Apache 2.0 (free) | RL research, contact-rich tasks |
| NVIDIA Isaac Sim | PhysX 5 (GPU) | RTX ray tracing | Yes (RTX 3070+, 8GB+ VRAM) | ~50K (Isaac Lab) | Native (Isaac ROS) | Free (NVIDIA EULA) | Photorealistic sim, domain randomization |
| Genesis | Custom (differentiable, GPU) | Rasterization + ray tracing | Yes (CUDA GPU) | ~430K (claimed) | Experimental | Apache 2.0 (free) | Differentiable physics, max throughput RL |
| Gazebo (Harmonic) | DART / Bullet / ODE | Ogre2 (rasterization) | No (GPU helps rendering) | ~1K (single env) | Native (ros_gz) | Apache 2.0 (free) | ROS2 integration, full-stack testing |
| PyBullet | Bullet 3 (CPU) | OpenGL (basic) | No | ~5K (headless) | Manual bridge | zlib (free) | Quick prototyping, teaching |
| Webots | ODE (modified) | WREN (rasterization) | No | ~500 (single env) | Native (webots_ros2) | Apache 2.0 (free) | Education, multi-robot scenarios |
| CoppeliaSim | Bullet / ODE / Vortex / Newton | OpenGL (rasterization) | No | ~800 (single env) | Via plugin (sim_ros2_interface) | Free (edu) / $3K (commercial) | Path planning, multi-physics switching |
RL Envs/sec = pasos paralelos aproximados por segundo en una sola estación de trabajo (RTX 4090 para las SIMs de GPU, CPU de 32 núcleos para las SIMs de CPU).
El motor de la física ...
El motor de física determina con qué precisión su simulación modela la realidad. Los factores críticos para la robótica son la resolución de contacto (cómo se calculan las colisiones y la fricción), el modelado conjunto (dinámica del actuador, reacción negativa, estricción) y el soporte de cuerpo deformable.
Física de MuJoCo
MuJoCo utiliza un solver de contacto convexo único basado en optimización que resuelve todos los contactos simultáneamente en cada paso de tiempo. Esto produce un comportamiento de contacto más estable y físicamente consistente que los solvers iterativos utilizados por Bullet y ODE.
- Contatos blandos: Impedancia de contacto configurable (rigidez + amortiguación) por par de geom. Es esencial para simular sujetadores de goma, dedos compatibles y objetos deformables.
- Integración implícita: El integrador semi-implicito de Euler con derivados analíticos permite grandes pasos de tiempo (2-5 ms) sin inestabilidad, lo que se traduce directamente en un entrenamiento más rápido.
- ** Modelos de tendón y actuador:** Soporte incorporado para tendones, músculos y sistemas de transmisión complejos.
Limitación: El modelo de contacto de MuJoCo asume geometrías de colisión convexas. Las mallas no convexas deben descomponerse en cascos convexos (utilizando V-HACD), que pueden introducir inexactitudes para formas complejas.
PhysX 5 (Isaac Sim)
El PhysX 5 de NVIDIA funciona completamente en la GPU, lo que permite un enorme paralelismo.
- Articulares de GPU: El solvente de articulación Featherstone funciona con GPU, permitiendo más de 4.096 instancias paralelas de robots para el entrenamiento RL.
- Caras deformables: Simulación de cuerpos blandos a base de FEM para tela, caucho y materiales orgánicos.
- Fricción de alta fidelidad: Modelo de fricción de parche que captura mejor la mecánica de contacto real que las aproximaciones de punto de contacto.
Limitación: Conexión estrecha con el hardware de NVIDIA.
Física del Génesis
Genesis es un nuevo participante (2024) que ofrece un motor de física completamente diferenciable. Esto significa que puede calcular gradientes a través de la simulación de física misma, lo que permite la optimización de trayectoria basada en gradientes y el aprendizaje de políticas diferenciables. La afirmación de que el entorno de 430K pasos/sec lo convierte en el simulador más rápido para RL, pero el ecosistema todavía está madurando y los resultados de transferencia de sim-to-real del mundo real son limitados.
Bullet (PyBullet, CoppeliaSim, Gazebo)
Bullet es el motor de física de código abierto más utilizado. Su solvente de impulso secuencial maneja bien la dinámica rígida del cuerpo para la navegación y la manipulación simple. Sin embargo, la estabilidad de contacto se degrada con contactos rígidos y pequeños pasos de tiempo, lo que lo hace menos adecuado para la manipulación de alta fidelidad en contacto en comparación con MuJoCo.
Rendering de calidad y aleatorización de dominio
Si su política utiliza observaciones visuales (imágenes de cámara), la calidad de renderización afecta directamente a la transferencia de imágenes simuladas a las imágenes reales.
Las capas de rendimiento
| Tier | Technology | Simulators | Visual Realism | Render Speed (640x480) |
|---|---|---|---|---|
| Basic | OpenGL rasterization | MuJoCo, PyBullet, CoppeliaSim | Low -- flat lighting, no reflections | 1000+ fps |
| Medium | PBR rasterization | Gazebo Harmonic, Webots | Medium -- PBR materials, shadows | 100-500 fps |
| High | RTX ray tracing | Isaac Sim, Genesis | High -- global illumination, reflections, caustics | 10-60 fps |
Randomization de dominio es una alternativa a la representación fotorrealista. En lugar de cerrar la brecha visual con una mejor representación, se randomiza las texturas, la iluminación, las poses de la cámara y los colores de los objetos para que la política aprenda a ser invariante a la apariencia visual. MuJoCo + la aleatorización de dominio es a menudo más efectiva que Isaac Sim sin aleatorización, porque la política ve suficiente diversidad visual durante el entrenamiento.
Isaac Sim sobresale cuando se necesita tanto renderización de alta fidelidad como aleatorización de dominios, por ejemplo, generando datos de entrenamiento sintéticos para redes de detección de objetos donde el fotorealismo mejora la precisión de detección.
Comparación de integración de ROS2
La integración de ROS2 determina la facilidad con que puede transferir su pila de control de simulación a un hardware real. Un buen puente ROS2 significa que sus nodos de control, tuberías de percepción y máquinas de estado funcionan de manera idéntica en la simulación y en el robot real.
Profundidad de integración por simulador
- Gazebo Harmonic: La mejor integración ROS2 de su clase. El puente
T5 publica datos de sensores, recibe comandos conjuntos y admite servicios / acciones con cero código adicional. Si está construyendo una pila de control basada en ROS2, Gazebo es la opción natural para la prueba. Los archivos de lanzamiento pueden intercambiarse entre sim y real con un solo cambio de parámetro. - Webots: El paquete
T6 proporciona integración nativa con mapeo automático de temas. - Isaac Sim: Los paquetes Isaac ROS de NVIDIA proporcionan puentes para la cámara, IMU y temas de estado conjunto.
- MuJoCo: El paquete comunitario
T7 emplea los comandos conjuntos y los datos de los sensores. Funciona bien para la manipulación de brazos, pero requiere una configuración manual para cada modelo de robot. - PyBullet: No hay puente oficial de ROS2. Debe escribir editores/subscriptores personalizados en su guión de formación.
# Example: Launch Gazebo with ROS2 bridge for OpenArm
ros2 launch ros_gz_sim gz_sim.launch.py world_sdf_file:=openarm_tabletop.sdf
ros2 run ros_gz_bridge parameter_bridge \
/joint_states@sensor_msgs/msg/JointState@gz.msgs.Model \
/joint_commands@trajectory_msgs/msg/JointTrajectory@gz.msgs.JointTrajectory
Requisitos de hardware
Su hardware disponible a menudo reduce la elección del simulador antes de cualquier otro factor.
| Simulator | Min GPU | Recommended GPU | Min RAM | Min CPU Cores | Disk (install) |
|---|---|---|---|---|---|
| MuJoCo 3.x | None (CPU) | Any CUDA GPU (for MJX) | 4 GB | 4 | ~200 MB |
| Isaac Sim | RTX 3070 (8 GB VRAM) | RTX 4090 (24 GB VRAM) | 32 GB | 8 | ~50 GB |
| Genesis | CUDA GPU (8 GB VRAM) | RTX 4090 | 16 GB | 8 | ~5 GB |
| Gazebo Harmonic | None (integrated OK) | Any discrete GPU | 8 GB | 4 | ~2 GB |
| PyBullet | None | None | 4 GB | 2 | ~100 MB |
| Webots | None (integrated OK) | Any discrete GPU | 8 GB | 4 | ~1.5 GB |
| CoppeliaSim | None (integrated OK) | Any discrete GPU | 8 GB | 4 | ~1 GB |
** Implicación de costos:** Isaac Sim en una estación de trabajo RTX 4090 cuesta entre 3.000 y 5.000 dólares para el hardware. MuJoCo en una instancia de nube solo para CPU cuesta 0,10 dólares por hora en AWS (c5.4xlarge). Para los equipos sin hardware GPU, MuJoCo o Gazebo es la opción pragmática. RCSV proporciona acceso a las estaciones de trabajo GPU con Isaac Sim preconfigurado a través de nuestro [servicio de Medio Ambiente RL]
Marco de decisión: Elegir su simulador
Responde a estas cuatro preguntas para limitar tu elección:
¿Cuál es su caso de uso principal?
- ** Formación política de RL (basada en el estado, sin imágenes):** MuJoCo o Genesis.
- ** Formación en políticas de RL (basada en la visión):** Isaac Sim (fotorealista) o MuJoCo + aleatorización de dominios (más rápida pero con menor fidelidad).
- ** Prueba de ROS2 de pila completa:** Gazebo Harmonic. La integración nativa significa que sus archivos de lanzamiento, archivos de parámetros y navegación de pila funcionan sin cambios.
- ** Generación de datos sintéticos:** Isaac Sim. RTX renderización + replicador de dominio de la aleatorización generar fotorealista etiquetado conjuntos de datos.
- Educación / prototipos rápidos: PyBullet (API más simple) o Webots (mejor interfaz gráfica y biblioteca de robots integrada).
- ** Simulación / optimización de trayectoria diferenciable:** Genesis o MuJoCo (a través de MJX con JAX auto-dif).
¿Tienes hardware de GPU de NVIDIA?
- No hay GPU: MuJoCo, Gazebo, PyBullet, Webots o CoppeliaSim.
- RTX 3070+ (8GB de RAM): Todas las opciones disponibles. Isaac Sim con un rendimiento mínimo viable.
- RTX 4090 o A100: Isaac Sim en plena capacidad.
¿Qué importancia tiene la compatibilidad ROS2?
- Crítico (envío de ROS2 a la producción): Gazebo > Webots > Isaac Sim > MuJoCo > CoppeliaSim > PyBullet.
- No es importante (entrenamiento independiente de RL): MuJoCo > Genesis > Isaac Sim > PyBullet.
¿Cuál es su presupuesto?
- $0 (estudiante/investigador): MuJoCo (Apache 2.0), PyBullet, Gazebo, Génesis.
- $0-$3K (inicio): Lo mismo que arriba, más Isaac Sim (licencia gratuita, pero requiere hardware de GPU).
- ** $ 3K + (empresa):** Licencia comercial CoppeliaSim añade el cambio multifísico.
Recomendaciones del CRSV
Basándonos en nuestra experiencia en decenas de proyectos de investigación y producción, aquí está lo que recomendamos para los escenarios comunes:
- ** Investigación de manipulación ( brazos, manos):** Comience con MuJoCo. Su física de contacto es la más precisa para la captura y la manipulación hábil. Utilice MJX para el entrenamiento paralelo acelerado por GPU. Proporcionamos modelos MuJoCo MJCF para OpenArm 1 y DK1 configuraciones bimanual.
- ** Navigando robot móvil:** Utilice Gazebo Harmonic con Nav2. La integración de ROS2 es perfecta, y la pila de SLAM/navegación se transfiere directamente al hardware real.
- ** Política basada en la visión + datos sintéticos:** Utilice Isaac Sim con Isaac Lab para la formación RL y Replicator para generar imágenes etiquetadas sintéticas. Requiere inversión en GPU.
- Enseñanza / cursos: Utilice Webots. Tiene la mejor documentación, GUI y biblioteca de robots incorporada para el aprendizaje.
- ** Investigación de RL de rendimiento máximo:** Evaluar Genesis para su rendimiento de 430K env/s reclamado, pero verificar la transferencia sim-a-real de su tarea específica antes de comprometerse.
El servicio [RL Environment service] de RCSV (T20