Contactar Ventas
Volver a Learn

Cómo instalar Isaac Lab en Ubuntu 22.04

Paso a paso Isaac Lab instalar en Ubuntu 22.04: conda env, Isaac Sim 4.x, isaaclab.sh, verificar con una tarea de manipulador RL. ~ 45 minutos, libre, reproducible.

NVIDIA Isaac Lab es el marco de aprendizaje de código abierto RL/imitación para la simulación de robots en 2026. Este tutorial recorre una instalación limpia en Ubuntu 22.04 con Isaac Sim 4.x, un entorno conda dedicado y una primera carrera de entrenamiento para verificar los trabajos de la pila de extremo a extremo.

Simulación Tiempo total: aproximadamente 45 minutos Dificultad: Intermedio Actualizado abril 2026

Lo que lograrás

Al final de este tutorial tendrá una instalación de Isaac Lab en funcionamiento, un entorno de conda reproducible y una verificación de entrenamiento de extremo a extremo RL en una tarea de manipulador. Esa es la base de todo a la baja: entrenamiento de políticas, aleatorización de dominios, transferencia sim-a-real y evaluación [entorno de RL]

Isaac Lab (anteriormente Orbit / Isaac Gym Envs) es mantenido por NVIDIA en [github.com/isaac-sim/IsaacLab]T25). Se encuentra en la parte superior de Isaac Sim y expone una API Python limpia para la definición de tareas, el entrenamiento RL con RL-Games / RSL-RL / Stable-Baselines3, y la aleatorización de dominios. Para la investigación política ha reemplazado en gran medida al original Isaac Gym.

Pre-requisitos

  • Ubuntu 22.04 con el núcleo HWE. Ubuntu 20.04 funciona pero ya no es el objetivo principal.
  • NVIDIA RTX GPU con al menos 8 GB de RAM. 12 GB + se recomienda encarecidamente para el entrenamiento RL paralelamente.
  • NVIDIA driver 535 o más reciente. Verifique con T7.
  • 50 GB de espacio en disco libre. Isaac Sim más algunas caché de tareas es pesado.
  • Miniconda o Anaconda.* Crearemos un entorno aislado.
  • Familiarización básica con Python, la línea de comandos y git.

¿Por qué un conda env? Isaac Sim envía su propio Python y muchas bibliotecas nativas. Instalar Isaac Lab en su sistema Python o su proyecto principal venv es una receta para las pesadillas de resolución de dependencias.

Los pasos

  1. Verifique los requisitos previos del sistema

Antes de cualquier otra cosa, confirma tu versión de Ubuntu, el controlador de GPU y el espacio en disco.

```
lsb_release -a
nvidia-smi
df -h /
```

Buscas Ubuntu 22.04, una versión de controlador de 535 o más reciente, y al menos 50 GB gratuitos en la partición que albergará a Isaac Sim. Si T8 no produce una tabla, instale o actualice el controlador antes de continuar.

  1. Instala Miniconda

Si no tiene conda, tome Miniconda:

```
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# Accept the license, accept the default install path, answer "yes" to conda init
source ~/.bashrc
```

Verificar con T9. Dejaremos que Isaac Lab cree su propio entorno en un paso posterior no crear manualmente uno todavía.

  1. Instala Isaac Sim 4.x

Isaac Lab requiere Isaac Sim 4.x. Hay dos caminos compatibles:

Opción A paquete pip (recomendado para estaciones de trabajo sin cabeza): Isaac Sim ahora se distribuye como un paquete pip para Isaac Sim 4.x. El script de instalación Isaac Lab puede tirar de él automáticamente. Si vas con esta ruta, saltar al paso 4 y el script de instalación lo manejará.

Opción B Lanzador Omniverso (recomendado si desea la interfaz gráfica): Descargue el Lanzador Omniverso desde developer.nvidia.com/isaac-sim, inicie sesión, instale Isaac Sim 4.x y note la ruta de instalación (típicamente T10).

Las versiones anteriores se mueven rápidamente comprobar los documentos de Isaac Lab T27) para la versión de Isaac Sim actualmente compatible.

  1. Clonar el repositorio de IsaacLab

Clone el repo oficial:

```
git clone https://github.com/isaac-sim/IsaacLab.git
cd IsaacLab
```

Si desea una versión específica, consulte la etiqueta que coincida con su versión de Isaac Sim (por ejemplo T11).

  1. Crear el ambiente conda

Desde la raíz de repo, utiliza el script de ayuda proporcionado para crear un env conda dedicado:

```
./isaaclab.sh --conda isaaclab
conda activate isaaclab
```

Esto crea un env llamado T13 con la versión Python correcta y lo activa. Si elige la opción A (pip Isaac Sim), el env retirará el paquete de pip Isaac Sim automáticamente en el siguiente paso.

  1. Instalar extensiones de Isaac Lab

Ejecutar el objetivo de instalación:

```
./isaaclab.sh -i
```

Esto instala todas las extensiones de Isaac Lab en modo editable, además de la pila de bibliotecas RL (RL-Games, RSL-RL, SKRL, Stable-Baselines3). La primera ejecución descarga algunos GB de activos y dura de 5 a 15 minutos dependiendo de su red.

Solucionar problemas: Si ve T14, su ruta de Isaac Sim no se encuentra. Establezca T15 en su directorio de instalación de Isaac Sim y vuelva a ejecutar.

  1. Verifique la instalación

Lanza Isaac Sim a través del envoltorio de Isaac Lab para confirmar que la pila de gráficos funciona:

```
./isaaclab.sh -p source/standalone/tutorials/00_sim/create_empty.py
```

Una ventana debe abrirse con una escena vacía. Cierra con Ctrl + C en la terminal. En servidores sin cabeza, pasa T16 para saltar la ventana.

  1. Conduce un primer entrenamiento RL

Entrenar una tarea rápida de manipulador RL para verificar la totalidad de las obras de pila de extremo a extremo:

```
./isaaclab.sh -p source/standalone/workflows/rsl_rl/train.py \
  --task Isaac-Reach-Franka-v0 \
  --num_envs 1024 \
  --headless
```

Esto lanza 1024 entornos paralelos de franka reach y entraña una política de PPO con RSL-RL. En un RTX 4090 debe ver una curva de recompensa dentro de un minuto o dos. Si esto se ejecuta sin error, su instalación Isaac Lab está completamente funcional.

¿Qué hacer ahora?

Con Isaac Lab en funcionamiento, los siguientes pasos típicos son: (1) probar tareas incorporadas adicionales (cabineta, cubo en mano, locomoción humanoide), (2) definir su propia tarea subclasificando la tarea base env, y (3) conectar la política entrenada a la evaluación [modelo VLA]T28) o a un robot real a través de transferencia sim-real. Enpare este tutorial con nuestro [LeRobot grabación tutorial]T29) para construir un sim híbrido + conjunto de datos real.

Si estás trabajando en un humanoide, Isaac Lab emite tareas de movimiento y cuerpo entero fuera de la caja un gran punto de partida si tienes un Booster K1 o un Unitree G1.

Modo de falla común

**Erros de GLIBC en el lanzamiento: ** casi siempre una incompatibilidad de la versión Ubuntu. Verifique 22.04.

** Fuera de la memoria de la GPU:** más bajo T17. 256 funciona en una GPU de 8 GB.

** Descargar activos lentamente:** El CDN de activos de NVIDIA es regional si estás en una red limitada, refleja los activos una vez y apunta T18 a una caché local.

Envistas Python mixtas: siempre lanzar scripts a través de T19, nunca T20 directamente.

Inmersión profunda: Isaac Lab vs alternativas

Isaac Lab no es el único simulador de RL acelerado por GPU en 2026 es el más ampliamente adoptado. En comparación con MuJoCo MJX, Isaac Lab ofrece una mejor representación fotorrealista fuera de la caja a través de Omniverse RTX, lo que importa cuando se están preparando políticas visuales que se transferirán al hardware real. MuJoCo MJX tiene la ventaja en el rendimiento de simulación crudo para RL basado en estado puro: si su política solo consume estados conjuntos y objetivos de puntos finales, MJX a menudo se entrenará en la mitad del tiempo de reloj de la pared. ** Genesis**, el nuevo simulador Python-first de CMU, está recuperando rápidamente en la fidelidad de renderización y ofrece una API Python más limpia, pero carece del ecosistema de activos maduro y los modelos de robots validados Isaac Lab hereda de Isaac Sim.

Para los equipos de aprendizaje de robots, el árbol de decisión práctico es: comenzar de cero con la manipulación basada en la visión, elegir Isaac Lab para el ecosistema. Nuestro [catálogo de entornos de RL]T31) mantiene una comparación actualizada entre estos simuladores.

La inmersión profunda: el ambiente conda importa

La gente subestima el paso conda env. Isaac Sim agrupa su propio Python (típicamente 3.10) junto con un centenar de bibliotecas nativas que cubren USD, física, rastreo de rayos, y más. Mezclar eso en un env de proyecto existente causa segfaults crípticos donde el síntoma es "importa el trabajo pero el simulador se estrella en la primera oportunidad". Si debe incorporar Isaac Lab a un env existente (por ejemplo, porque desea compartir PyTorch con otro proyecto), copie el env yaml de T22 y coloque sus deps adicionales en la parte superior no intente colocar Isaac Lab en su env del proyecto.

Inmersión profunda: sin cabeza vs GUI

Una vez que haya pasado la verificación, ejecutará casi todo sin cabeza. El modo GUI es para la creación y el defectuoso; entrenar una política con una ventana abierta de renderizado desperdicia alrededor del 15-20% del tiempo de la GPU en el empuje de píxeles. Utilice T23 para el entrenamiento, y adjunta un espectador solo cuando necesite inspeccionar un episodio específico. Isaac Sim admite un puerto de vista en vivo separado que se conecta a un entrenamiento sin cabeza ejecutado a través de WebRTC vale la pena configurar una vez si está ejecutando entrenamiento en un servidor remoto.

Preguntas frecuentes

¿Isaac Lab se ejecuta en GPUs AMD? ** No. Isaac Sim depende de la pila RTX y CUDA de NVIDIA. MuJoCo MJX o Genesis son sus opciones en AMD o Apple Silicon.

** ¿Puedo ejecutar Isaac Lab en Docker? ** Sí. NVIDIA publica una imagen Isaac Sim Docker en NGC. Para Isaac Lab en la parte superior, el IsaacLab repo envía un archivo Docker. El entrenamiento en la nube en las instancias RunPod, Lambda o A100/H100 funciona bien.

¿Qué hay de Windows / WSL? Isaac Sim tiene soporte nativo de Windows y funciona en WSL2 con GPU passthrough.

** ¿Qué tamaño de cluster necesito? ** Un solo RTX 4090 capacita muchas tareas de manipulación en menos de una hora.

Tutoriales y recursos relacionados