ロボットシミュレーションソフトウェア 比較: MuJoCo, Isaac Sim, Gazebo
ロボットシミュレーションプラットフォームの比較:MuJoCo,NVIDIA Isaac Sim,Gazebo,CoppeliaSim,PyBullet.機能,性能,および使用例.
模倣 の 重要性
シミュレーションは現代ロボット工学における3つの重要な役割を果たします. 政策訓練** (ハードウェアを磨き損せずに強化学習のための数百万回のエピソードを生成する), 検証** (5万ドル以上のロボットに部署する前に制御ソフトウェアをテストする) と データ拡張** (実世界のデータ収集を補完する合成デモを生成する).
シミュレーターを選択すると,シムからリアルへの転送の成功率に直接影響を与える.接触物理が悪いシミュレーターでは,実際のハードウェアで失敗するポリシーが生成されます.遅いレンダリングのシミュレーターは,RLトレーニングループをボトルネックにします.このガイドは,特定の使用状況に適切なシミュレーターと一致させるのに役立ちます.
RCSVは [RL環境] (
比較表
| Simulator | 物理エンジン | 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 = 1 つのワークステーションで毎秒のほぼ並行環境ステップ (GPUシムではRTX 4090 ,CPUシムでは32コアCPU).実際の吞吐量はシーン複雑性によって異なります.
物理 エンジン 深海ダイブ
物理エンジンによって,シミュレーションが現実を正確にモデル化する程度が決定されます.ロボットにとって重要な要因は,接触解像度 (衝突と摩擦が計算される方法),関節モデリング (アクチュエーター動力学,反響,ステッチン),変形可能な体サポートです.
物理
MuJoCoは,各時間ステップですべての連絡先を同時に解決するユニークな凸凸最適化ベースのコンタクトソルバーを使用します.これはBulletとODEで使用する再帰式ソルバーよりも安定的かつ物理的に一貫した連絡行動を生成します.
- ソフトコンタクト: ジオームペアごとに設定可能なコンタクト阻害 (硬さ + 抑制) ゴムグリッパー,適合した指,変形可能な物体をシミュレーションするために不可欠です.
- **暗黙の統合:**分析衍生品を持つ半暗黙のイーラー統合器は,不安定さのない大きな時間段 (2-5 ms) を可能にします.
- テンドンとアクチュエーターモデル: 筋,筋肉,複雑な伝達システムへの内蔵サポート. [オルカ手] (
T10 ) と LEAP手などの巧妙な手をシミュレーションするのに不可欠です.
制限: MuJoCoの接触モデルでは,凸形衝突幾何学を想定する.非凸形の網を凸形の船体 (V-HACDを使用して) に分解しなければならない.これは複雑な形に不正確性を引き起こす可能性があります.
物理X 5 (アイザック・シム)
NVIDIAのPhysX 5は, GPUで完全に動作し,大規模なパラレルリズムを可能にします. GPU加速した硬体,関節,柔らかいボディシミュレーションをサポートします.PhysX 4の主要な利点:
- GPU関節: Featherstone関節解明機はGPUで動作し,RL訓練のための4,096+の並行ロボットインスタンスを可能とする.
- 変形可能な体: 布,ゴム,有機材料のためのFEMベースの柔らかい体シミュレーション
- 高信頼性摩擦: プラッチ摩擦モデルで,実際の接触メカニズムが点接触近似よりもよく捉えられる.
制限:NVIDIAハードウェアに緊密な接続. AMD GPU サポートなし,物理のCPU 倒れなし.
創世記 物理
ジェネシスは,完全に差別化可能な物理エンジンを提供する新しいエントリー (2024) です.これは物理シミュレーション自体を通じて gradients を計算することができ, gradient ベースの軌道を最適化し,差別化可能な政策学習を可能にします. 声称する環境ステップ/秒は430KでRLのシミュレーターで最も速くなりますが,エコシステムはまだ成熟しており,現実の世界におけるシム-トゥ-リアル転送結果は限られています.
弾丸 (PyBullet, CoppeliaSim,ガゼボ)
Bulletは最も広く使用されているオープンソース物理エンジンである.その連続衝動解像器は,ナビゲーションと単純な操作のために硬いボディダイナミクスをうまく処理する.しかし,硬い接触と小さな時間段で接触安定性が低下し,高信頼性接触豊富な操作に適さないMuJoCoと比較する.
品質とドメインのランダム化
画像の品質は直接的にシミュレーションから現実への転送に影響します シミュレーションと現実の画像の間のギャップは,視覚に基づくポリシーにおけるシミュレーションから現実への失敗の主な原因です.
染色層
| 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 |
ドメインランダム化は写真現実的なレンダリングの代替である.よりよいレンダリングで視覚的ギャップを閉じることではなく,テクスチャ,照明,カメラポーズ,オブジェクト色をランダム化することで,ポリシーが視覚的外観に不変であることを学んでいます. MuJoCo + ドメインランダム化は,ランダム化なしのアイザック・シムよりも効果的である. 訓練中に十分な視覚的多様性が見られるため,
高い信頼性のあるレンダリングと ドメインランダム化の両方を 必要とするとき Isaac Sim が優れている 例えば 光リアル主義が検出精度を向上させる オブジェクト検出ネットワークの合成トレーニングデータを生成する
ROS2統合比較
ROS2 統合により,シミュレーション制御スタックをリアルハードウェアに簡単に転送できる.良いROS2 ブリッジは,制御ノード,認識パイプライン,状態マシンがシミュレーションとリアルロボットで同一に動作することを意味します.
シミュレーターによる統合深度
- **Gazebo Harmonic:**クラスで最高のROS2統合.
T2 橋はセンサーデータを公開し,共同コマンドを受け取り,追加コードをゼロでサービス/アクションをサポートします.ROS2ベースの制御スタックを構築している場合は,Gazeboはテストの自然な選択です.起動ファイルは simとリアル間で単一のパラメータ変更で交換できます. - ウェブbot:**
T3 パッケージは,自動トピックマッピングのネイティブ統合を提供します. Webbotは,標準的な ROS2 インターフェースを箱から出す200以上のプリビルドロボットモデル (UR5, ABB, TIAGo,など) を搭載しています. - Isaac Sim: NVIDIAの Isaac ROS パッケージは,カメラ,IMU,および共同状態のトピックに橋渡しを提供します.統合は固体ですが,インストール複雑さを追加するOmniverseスタックが必要です.
T4 コミュニティパッケージは,関節コマンドとセンサーデータを橋渡しします.腕操作にはうまく機能しますが,各ロボットモデルには手動セットアップが必要です. - **PyBullet:**公式のROS2橋はありません. 訓練スクリプトにカスタム版の出版社/サブスクリプションを書き込む必要があります. 純粋なRL研究では受け入れられるが,フルスタックテストでは不実用です.
# 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
ハードウェアの要件
既存のハードウェアは他の要素よりも前に シミュレーターを選択を狭めます. 以下は最小限のおよび推奨の仕様です.
| 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 |
コストインパクション: RTX 4090 ワークステーションのアイザック・シムはハードウェアに3,000~5,000ドルかかります. CPU 専用クラウドインスタンスのMuJoCo は AWS (c5.4xlarge) で0.10$/h になります. GPU ハードウェアのないチームでは,MuJoCo または Gazebo は実用的な選択です. RCSV は,私たちの [RL 環境サービス] によりIsaac Sim を事前に設定した GPU ワークステーションへのアクセスを提供します.
決定枠組: シミュレーターを選択する
選択を絞るために この4つの質問に答えましょう
1 首要用途は?
- RL政策訓練 (州ベース,画像なし): MuJoCoまたはGenesis. どちらも最も速いトレーニング経路と最高の接触物理を提供しています.
- RL政策訓練 (ビジョンベースの): Isaac Sim (写真リアル) または MuJoCo + ドメインランダム化 (より速く,しかしより低い忠実性).
- **フルスタックROS2テスト:**ガゼボハーモニック.ネイティブ統合は,起動ファイル,パラメータファイル,ナビスタックが変わらず動作することを意味します.
- 合成データ生成: イザック・シム. RTXレンダリング +レプリカータードメインランダム化により,光現実的なラベル付きデータセットが生成されます.
- 教育/迅速なプロトタイプ: PyBullet (最も単純な API) または Webots (最高のGUIと組み込みロボットライブラリ)
- ** 異なるシミュレーション/軌道最適化:** GenesisまたはMuJoCo (MJXとJAX自動化)
2 乗っているか?
- ** GPU:** MuJoCo, Gazebo, PyBullet, Webots,または CoppeliaSim.
- RTX 3070+ (8GB VRAM): すべてのオプションが利用可能. Isaac Sim 最低実行可能な性能.
- RTX 4090 または A100: Isaac Sim 完全能力で.
ROS2の互換性はどれほど重要か?
- ** 批判性 (ROS2を生産へ送る):** ガゼボ > Webots > イザック・シム > MuJoCo > コペリア・シム > PyBullet.
- 重要ではない (単独RL訓練): MuJoCo > Genesis > Isaac Sim > PyBullet.
4 予算は?
- $0 (学生/研究員): MuJoCo (Apache 2.0),PyBullet,Gazebo,Genesis.
- **$0~$3K (スタートアップ):**上記のとおり,さらにIsaac Sim (無料ライセンス,しかしGPUハードウェアが必要です).
- **3K+ (企業):**CoppeliaSim商業ライセンスでは多物理のスイッチを追加します.
RCSVの勧告
数十の研究・生産プロジェクトにおける経験に基づいて,一般的なシナリオについて以下を提案します
- 操作研究 (腕,手): MuJoCoから始めます.接触物理は把握と巧妙な操作で最も正確です. GPU加速の並行トレーニングのためにMJXを使用します. OpenArm 1 と DK1 の双手セットアップのためにMuJoCo MJCF モデルを提供しています.
- モバイルロボットナビゲーション: Nav2で Gazebo Harmonic を使用する.ROS2の統合は無縫で,SLAM/ナビゲーションスタックは実際のハードウェアに直接転送されます.
- ビジョンベースのポリシー +合成データ: RL訓練のためにIsaac Sim**と Isaac Labと合成ラベル画像生成のためのレプリカーターを使用する. GPU投資が必要です.
- ** 教訓/コースワーク:** ウェブボットを使用する. 学習のための最高のドキュメント,GUI,および内蔵ロボットライブラリがあります.
- 最大経路RL研究: 請求された430K env/s経路を評価する Genesisが,コミットする前に,特定の任務の sim-to-real転送を検証する.
RCSVの RL環境サービス は,ハードウェアモデルで,先設定されたシミュレーション環境を提供します.私たちの データプラットフォーム は,実世界のデモとともに,シミュレーション生成されたデータセットをアップロードしバージョン化をサポートします.
模倣 の 重要性
シミュレーションは現代ロボット工学における3つの重要な役割を果たします. 政策訓練** (ハードウェアを磨き損せずに強化学習のための数百万回のエピソードを生成する), 検証** (5万ドル以上のロボットに部署する前に制御ソフトウェアをテストする) と データ拡張** (実世界のデータ収集を補完する合成デモを生成する).
シミュレーターを選択すると,シムからリアルへの転送の成功率に直接影響を与える.接触物理が悪いシミュレーターでは,実際のハードウェアで失敗するポリシーが生成されます.遅いレンダリングのシミュレーターは,RLトレーニングループをボトルネックにします.このガイドは,特定の使用状況に適切なシミュレーターと一致させるのに役立ちます.
RCSVは [RL環境] (T15
比較表
| Simulator | 物理エンジン | 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 = 1 つのワークステーションで毎秒のほぼ並行環境ステップ (GPUシムではRTX 4090 ,CPUシムでは32コアCPU).実際の吞吐量はシーン複雑性によって異なります.
物理 エンジン 深海ダイブ
物理エンジンによって,シミュレーションが現実を正確にモデル化する程度が決定されます.ロボットにとって重要な要因は,接触解像度 (衝突と摩擦が計算される方法),関節モデリング (アクチュエーター動力学,反響,ステッチン),変形可能な体サポートです.
物理
MuJoCoは,各時間ステップですべての連絡先を同時に解決するユニークな凸凸最適化ベースのコンタクトソルバーを使用します.これはBulletとODEで使用する再帰式ソルバーよりも安定的かつ物理的に一貫した連絡行動を生成します.
- ソフトコンタクト: ジオームペアごとに設定可能なコンタクト阻害 (硬さ + 抑制) ゴムグリッパー,適合した指,変形可能な物体をシミュレーションするために不可欠です.
- **暗黙の統合:**分析衍生品を持つ半暗黙のイーラー統合器は,不安定さのない大きな時間段 (2-5 ms) を可能にします.
- テンドンとアクチュエーターモデル: 筋,筋肉,複雑な伝達システムへの内蔵サポート. [オルカ手] (
T17 ) と LEAP手のような巧妙な手をシミュレーションするのに不可欠です.
制限: MuJoCoの接触モデルでは,凸形衝突幾何学を想定する.非凸形の網を凸形の船体 (V-HACDを使用して) に分解しなければならない.これは複雑な形に不正確性を引き起こす可能性があります.
物理X 5 (アイザック・シム)
NVIDIAのPhysX 5は, GPUで完全に動作し,大規模なパラレルリズムを可能にします. GPU加速した硬体,関節,柔らかいボディシミュレーションをサポートします.PhysX 4の主要な利点:
- GPU関節: Featherstone関節解明機はGPUで動作し,RL訓練のための4,096+の並行ロボットインスタンスを可能とする.
- 変形可能な体: 布,ゴム,有機材料のためのFEMベースの柔らかい体シミュレーション
- 高信頼性摩擦: プラッチ摩擦モデルで,実際の接触メカニズムが点接触近似よりもよく捉えられる.
制限:NVIDIAハードウェアに緊密な接続. AMD GPU サポートなし,物理のCPU 倒れなし.
創世記 物理
ジェネシスは,完全に差別化可能な物理エンジンを提供する新しいエントリー (2024) です.これは物理シミュレーション自体を通じて gradients を計算することができ, gradient ベースの軌道を最適化し,差別化可能な政策学習を可能にします. 声称する環境ステップ/秒は430KでRLのシミュレーターで最も速くなりますが,エコシステムはまだ成熟しており,現実の世界におけるシム-トゥ-リアル転送結果は限られています.
弾丸 (PyBullet, CoppeliaSim,ガゼボ)
Bulletは最も広く使用されているオープンソース物理エンジンである.その連続衝動解像器は,ナビゲーションと単純な操作のために硬いボディダイナミクスをうまく処理する.しかし,硬い接触と小さな時間段で接触安定性が低下し,高信頼性接触豊富な操作に適さないMuJoCoと比較する.
品質とドメインのランダム化
画像の品質は直接的にシミュレーションから現実への転送に影響します シミュレーションと現実の画像の間のギャップは,視覚に基づくポリシーにおけるシミュレーションから現実への失敗の主な原因です.
染色層
| 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 |
ドメインランダム化は写真現実的なレンダリングの代替である.よりよいレンダリングで視覚的ギャップを閉じることではなく,テクスチャ,照明,カメラポーズ,オブジェクト色をランダム化することで,ポリシーが視覚的外観に不変であることを学んでいます. MuJoCo + ドメインランダム化は,ランダム化なしのアイザック・シムよりも効果的である. 訓練中に十分な視覚的多様性が見られるため,
高い信頼性のあるレンダリングと ドメインランダム化の両方を 必要とするとき Isaac Sim が優れている 例えば 光リアル主義が検出精度を向上させる オブジェクト検出ネットワークの合成トレーニングデータを生成する
ROS2統合比較
ROS2 統合により,シミュレーション制御スタックをリアルハードウェアに簡単に転送できる.良いROS2 ブリッジは,制御ノード,認識パイプライン,状態マシンがシミュレーションとリアルロボットで同一に動作することを意味します.
シミュレーターによる統合深度
- Gazebo Harmonic: クラス最高のROS2統合.
T5 橋はセンサーデータを公開し,共同コマンドを受け取り,追加コードをゼロでサービス/アクションをサポートします.ROS2ベースの制御スタックを構築している場合は,Gazeboはテストの自然な選択です.起動ファイルは simとリアル間で単一のパラメータ変更で交換できます. - Webot:
T6 パッケージは,自動トピックマッピングのネイティブ統合を提供します. Webotは,標準的な ROS2 インターフェースを箱から出す200以上のプリビルドロボットモデル (UR5, ABB, TIAGo,など) を搭載しています. - Isaac Sim: NVIDIAの Isaac ROS パッケージは,カメラ,IMU,および共同状態のトピックに橋渡しを提供します.統合は固体ですが,インストール複雑さを追加するOmniverseスタックが必要です.
T7 コミュニティパッケージは,コモンストコマンドとセンサーデータを橋渡しします.腕操作にはうまく機能しますが,各ロボットモデルには手動設定が必要です. - **PyBullet:**公式のROS2橋はありません. 訓練スクリプトにカスタム版の出版社/サブスクリプションを書き込む必要があります. 純粋なRL研究では受け入れられるが,フルスタックテストでは不実用です.
# 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
ハードウェアの要件
既存のハードウェアは他の要素よりも前に シミュレーターを選択を狭めます. 以下は最小限のおよび推奨の仕様です.
| 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 |
コストインパクション: RTX 4090 ワークステーションのアイザック・シムはハードウェアに3000~5000ドルかかります. CPU 専用クラウドインスタンスのMuJoCo は AWS (c5.4xlarge) で0.10ドル/時間かかります. GPU ハードウェアのないチームでは,MuJoCo または Gazebo は実用的な選択です. RCSV は,私たちの [RL 環境サービス] によりIsaac Sim を事前に設定した GPU ワークステーションにアクセスできます.
決定枠組: シミュレーターを選択する
選択を絞るために この4つの質問に答えましょう
1 首要用途は?
- RL政策訓練 (州ベース,画像なし): MuJoCoまたはGenesis. どちらも最も速いトレーニング経路と最高の接触物理を提供しています.
- RL政策訓練 (ビジョンベースの): Isaac Sim (写真リアル) または MuJoCo + ドメインランダム化 (より速く,しかしより低い忠実性).
- **フルスタックROS2テスト:**ガゼボハーモニック.ネイティブ統合は,起動ファイル,パラメータファイル,ナビスタックが変わらず動作することを意味します.
- 合成データ生成: イザック・シム. RTXレンダリング +レプリカータードメインランダム化により,光現実的なラベル付きデータセットが生成されます.
- 教育/迅速なプロトタイプ: PyBullet (最も単純な API) または Webots (最高のGUIと組み込みロボットライブラリ)
- ** 異なるシミュレーション/軌道最適化:** GenesisまたはMuJoCo (MJXとJAX自動化)
2 乗っているか?
- ** GPU:** MuJoCo, Gazebo, PyBullet, Webots,または CoppeliaSim.
- RTX 3070+ (8GB VRAM): すべてのオプションが利用可能. Isaac Sim 最低実行可能な性能.
- RTX 4090 または A100: Isaac Sim 完全能力で.
ROS2の互換性はどれほど重要か?
- ** 批判性 (ROS2を生産へ送る):** ガゼボ > Webots > イザック・シム > MuJoCo > コペリア・シム > PyBullet.
- 重要ではない (単独RL訓練): MuJoCo > Genesis > Isaac Sim > PyBullet.
4 予算は?
- $0 (学生/研究員): MuJoCo (Apache 2.0),PyBullet,Gazebo,Genesis.
- **$0~$3K (スタートアップ):**上記のとおり,さらにIsaac Sim (無料ライセンス,しかしGPUハードウェアが必要です).
- **3K+ (企業):**CoppeliaSim商業ライセンスでは多物理のスイッチを追加します.
RCSVの勧告
数十の研究・生産プロジェクトにおける経験に基づいて,一般的なシナリオについて以下を提案します
- 操作研究 (腕,手): MuJoCoから始めます.接触物理は把握と巧妙な操作で最も正確です. GPU加速の並行トレーニングのためにMJXを使用します. OpenArm 1 と DK1 の双手セットアップのためにMuJoCo MJCF モデルを提供しています.
- モバイルロボットナビゲーション: Nav2で Gazebo Harmonic を使用する.ROS2の統合は無縫で,SLAM/ナビゲーションスタックは実際のハードウェアに直接転送されます.
- ビジョンベースのポリシー +合成データ: RL訓練のためにIsaac Sim**と Isaac Labと合成ラベル画像生成のためのレプリカーターを使用する. GPU投資が必要です.
- ** 教訓/コースワーク:** ウェブボットを使用する. 学習のための最高のドキュメント,GUI,および内蔵ロボットライブラリがあります.
- 最大経路RL研究: 請求された430K env/s経路を評価する Genesisが,コミットする前に,特定の任務の sim-to-real転送を検証する.
RCSVの RL環境サービス は,ハードウェアモデルで,事前に設定されたシミュレーション環境を提供します.私たちの データプラットフォーム は,実世界のデモとともにシミュレーション生成されたデータセットをアップロードしバージョン化をサポートします.