Simulación <unk> Isaac Lab & MuJoCo
Documentación de simulación OpenArm: entornos de aprendizaje de refuerzo de Isaac Lab (alcanzamiento, levantamiento, apertura de cajón) y configuración de simulación de física de MuJoCo con control de par.
También ver el OpenArm hardware hub.
En esta página
- [Isaac Lab]
- [Visión general]
- [Información de versión]
- [Entornos de demostración]
- [Ven pronto]
- ¿Qué es eso?
- [Visión general]
- [Configuración]
- [Details techniques]
T11 )
Documento de los brazos abiertos
- [Visión general]
- [Empezando]
- [Hardware]
T14 ) - [Software]
T15 ) - [Teleoperación]
- [Simulación]
- [FAQ y compras]
También ver
- [OpenArm 1 Quickstart]
- [← Todos los artículos de Wiki]
- [Documentos oficiales
] T21 )
Ambientes de simulación OpenArm para el aprendizaje de refuerzo, el aprendizaje de imitación y la investigación de modelos de fundación. Incluye la integración de Isaac Lab con NVIDIA Isaac Sim y MuJoCo configuración de simulación de física.
Isaac Lab NVIDIA Isaac Sim MuJoCo Aprendizaje de refuerzo Sim2Real fuente abierta
Fuente: doc.openarm.dev/simulación/ ** Última actualización:** 6 de abril de 2026
1. Simulación de laboratorio de Isaac
En general
Bienvenido a la documentación de simulación de laboratorio de Isaac de OpenArm. OpenArm se integra oficialmente en el ecosistema Isaac Sim / Isaac Lab de NVIDIA, permitiendo el desarrollo y evaluación de aprendizaje de refuerzo, aprendizaje de imitación y enfoques basados en modelos de fundación.
El modelo OpenArm se lanza bajo una licencia de código abierto (Apache 2.0) y el equipo tiene como objetivo contribuir con activos prácticos de simulación, flujos de trabajo de capacitación y puntos de referencia que pueden aplicarse directamente a los sistemas robóticos del mundo real.
Información de versión
| 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 |
Entornos de demostración de RL disponibles
Cuatro entornos de aprendizaje de refuerzo están disponibles al público en el repositorio openarm_isaac_lab:
| 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 |
Se pueden encontrar detalles del código de implementación, archivos de configuración e instrucciones de uso en el repositorio de GitHub [openarm_isaac_lab]
Instalación de laboratorio de Isaac
Siga la guía oficial de instalación de Isaac Lab en docs.isaacsim.omniverse.nvidia.com, luego clone la extensión OpenArm:
# Después de instalar Isaac Lab, clone la extensión OpenArm
cd /cámara/a/isaaclab
git clone
# Instalar la extensión ./isaaclab.sh -i fuente/extensiones/armado abierto_isaac_lab
# Ejecutar un entorno demo (ejemplo: alcanzar tarea) ./isaaclab.sh -p fuente/extensiones/armado abierto_isaac_lab/scripts/train.py \ --tarea de OpenArm-Alcance-v0 \ --num _envs 4096
Ya viene pronto
- Código de teleoperación
Realidad virtual y teleoperación con joystick en simulación - Código de aprendizaje de imitación
Configuración de registro de conjuntos de datos y clonación de comportamiento - Sim2Real Code
Transferir el pipeline de la simulación al hardware real
Contribución Las contribuciones de aprendizaje Sim2Real y imitativo son especialmente bienvenidas.
Simulación de MuJoCo
En general
MuJoCo es un motor de física mantenido por Google DeepMind. MJCFs (MuJoCo Description Files) son archivos XML que describen todos los componentes de escena en movimiento, facilitando la experimentación de algoritmos en entornos reproducibles.
El modelo OpenArm MuJoCo está disponible en el repositorio openarm_mujoco.
Configuración y inicio rápido
- Descargar e instalar MuJoCo.
MuJoCo 3.3.4 en x86 Linux ¿Qué es eso?
- ¿Qué es lo que está pasando? "T37" tar --extracto --gzip --verbose \ -Ficha="mujoco-${MUJOCO_VERSION}-linux-x86_64.tar.gz" rm "mujoco-${MUJOCO_VERSION}-linux-x86_64.tar.gz"
- Lanzamos el espectador de simulación MuJoCo
cd "mujoco-${MUJOCO_VERSION}/bin" ./simulación
- Clonar el repositorio OpenArm MuJoCo.
clone de git
- Cargar el modelo OpenArm. En la ventana de simulación MuJoCo, abra el explorador de archivos y arrastre
T0 a la ventana.
Detalles técnicos
Modelo de actuador
El modelo MuJoCo utiliza control de torque para los actuadores, lo que permite una simulación realista mientras se requiere la gestión del control del lado del cliente.
Grupos de geometría
| Group | Purpose |
|---|---|
| Group 2 | Visual geometry (for rendering) |
| Group 3 | Collision geometry (for physics) |
La simulación de física utiliza el casco convexo de las geometrías de colisión, proporcionando una aproximación eficiente para el cálculo de contacto.
Compuesto del FMI
Los archivos de MJCF son composibles
T1 Configuración bimanual completa (ambos brazos) - Los componentes individuales del brazo pueden cargarse de forma independiente para tareas de un solo brazo
Uso de la API de Python
# Uso básico de Python MuJoCo con OpenArm importación de mujoco importar mujoco.viewer importando como np
Cargar el modelo modelo = mujoco.MjModel.from_xml_path("v1/openarm_bimanual.xml") datos = mujoco.MjData(modelo)
# Aplicar el control del par a las articulaciones con mujoco.viewer.launch_passive(modelo, datos) como espectador: mientras que el espectador.es_running(): # Configurar los comandos de par (modo de control del par) datos.ctrl[:] = np.zeros(modelo.nu)
Simulación de pasos mujoco.mj_step(modelo, datos) el espectador.sinc()
Puente ROS2 (en breve)
Un paquete ROS2 que permita la integración de MuJoCo como una interfaz de hardware simulada se lanzará poco después de la liberación del modelo MuJoCo v1. Esto permitirá que la pila de control completa de ROS2 sea probada contra la simulación de MuJoCo antes de su implementación en hardware real.
** Recursos MuJoCo**
- Repositorio de OpenArm MuJoCo: github.com/enactic/openarm_mujoco
- Documentación de MuJoCo: [mujoco.readthedocs.io]
- Google DeepMind MuJoCo publica: [github.com/google-deepmind/mujoco]
Atrucción El contenido de esta página se basa en la documentación oficial de OpenArm en docs.openarm.dev, copyright © 2025
← Teleoperatorio FAQ y compras →
¿Necesitas una unidad OpenArm, piezas de repuesto, o una segunda para tu laboratorio?