로보사이트: MuJoCo에 표준화된 조작 기준
로보사이트 깊이 다이빙: MuJoCo에서 표준화된 테이블톱 작업 9개, drop-in ALOHA 및 로보미믹 지원, MIT 라이선스, 8개의 로봇 팔.
ARISE Initiative (스탠포드, UT 오스틴, ASU) 에 의해 구축된 Robosuite는 로봇 학습에서 가장 많이 인용되는 조작 기준입니다. MuJoCo에서 9 개의 핵심 테이블톱 작업을 배포하고, 모바일 ALOHA 및 robomimic에 대한 지원, 공동 동전에서 운영 공간으로 컨트롤러 추상화, 그리고 MIT 라이센스가 이를 전용으로 하는 전용 선택으로 만들어집니다.
환동 하드웨어를 탐색 작정 로보사이트 엔브를 얻으십시오 동일 데이터 세트를 얻으십시오
MIT 라이선스 9 핵심 벤치마크 작업 Robomimic + ALOHA 내장
로보수이트란 무엇 입니까?
로보소이트는 오픈소스 모듈러 시뮬레이션 프레임워크와 로봇 조작 학습의 기준이며, 원래 스탠퍼드에서 Surreal 프로젝트에서 도입되었으며 나중에 ARISE 이니셔티브가 개발했습니다. 2018년에 출시되었으며 이후 지속적으로 유지되고 있으며, 출판된 모방 학습 및 오프라인-RL 조작 논문에서 가장 많이 인용되는 기준입니다.
프레임워크는 MuJoCo 위에 위치하고 있으며 단순한 MuJoCo가 제공하지 않는 세 가지 요소를 추가합니다. 보상 기능, 성공 기준 및 리셋 논리를 가진 표준화된 작업 인터페이스; 프랑카, 사워, UR5e, 키노바, IIWA, 자코 또는 모바일 ALOHA 쌍동 플랫폼에서 동일한 작업을 실행할 수 있도록 하는 로봇 추상층; 단일 논증 변경으로 결합 전동, 결합 위치, 운영 공간 및 역동적 제어 기능을 노출시키는 컨트롤러 추상층. 이 추상들은 함께 Robosuite를 로봇 실시예에 일반화해야 하는 모방 학습 정책들을 훈련시키는 자연환경으로 만듭니다.
로보시이트의 랩로미믹과
설치 스타트
Robosuite는 2분 이내에 설치됩니다. 프레임워크는 MuJoCo를 자동으로 의존성으로 끌어당깁니다. 따라서 하나의 파이프 설치로 작동 설정이 생성됩니다.
# Install Robosuite (MuJoCo is pulled as a dependency)
pip install robosuite
# Verify installation with a random-action rollout on Lift
python -c "import robosuite as suite; \
env = suite.make('Lift', robots='Panda', has_renderer=False); \
obs = env.reset(); \
for _ in range(100): obs, r, done, info = env.step(env.action_spec[0] * 0); \
print('Robosuite ready, reward:', r)"
모방 학습을 위해 ARISE 허브에서 로보미믹과 시범 데이터 세트를 추가하십시오. 완전한 로보시이트 + 로보미믹 작업 흐름은 3 개의 명령을 필요로합니다.
pip install robomimic
# Download 200 human demonstrations for the Square peg task
python -m robomimic.scripts.download_datasets --tasks square
# Train BC-Transformer on those demos (~30 min on an RTX 4090)
python -m robomimic.scripts.train --config bc_transformer_square.json
모바일 ALOHA 쌍방향 지원은 1급 로봇 옵션으로 제공되며, 원격 조작 재생 및 액션
지원 로봇 및 임무
로보수이트는 8개의 테이블톱 조작기 팔을 지원합니다. 프랭카 파ண்டா, 리틴크 사워어, 유니버설 로봇 UR5e, 키노바 제너 3, 쿠카 IIWA, 자코, 바크스터 (비매뉴얼), 그리고 ALOHA (비매뉴얼). 로봇 추상층은 깊은
핵심 벤치마크는 출판된 조작 결과의 참조 집합이 된 9 개의 표준화된 작업으로 구성됩니다. 리프트 ( 단일 객체 리프트), 스택 (직선 스택), 픽-플라이스 (제곱 개체 클래스) 를 통해 배낭 분류), 누트 어셈블리 (평방 및 둥근 견과류로 꽂아 구멍), 도어 (리버 오픈), 와이프 (변형 오염 분포로 표면 청소), 트위어 팔 교통 (다동적 전달), 트위어 팔 펫-인 홀 (다동적 어셈블리), 그리고 트위어 팔 리프트 (다동적 협력 리프트). 각각의 작업은 밀집하고 희귀한 보상 변종, 구성 가능한 객체 집합 및 결정적 씨앗을 가지고 있습니다.
핵심 과제를 넘어, Robosuite의 MJCF 저작 시스템은 사용자 지정 테이블톱 장면을 직접적으로 구축하는 것을 가능하게 합니다. 도구 사용, 붓기, 클리어런스 변이를 가진 삽입, 정형 객체 조작, 언어 조건의 다단계 순서가 모두 일반적인 커뮤니티 확장입니다. LIBERO, RoboCasa, 그리고 MimicGen은 모두 Robosuite 위에 구축되어 있으며 각각 긴 지평선, 부엌 규모, 그리고 절차적으로 생성된 시나리오에 확장됩니다.
로보사이트의 기준
Robosuite 코어-9 작업 집합은 문학에서 가장 많이 재생산된 조작 기준입니다. 리프트, 캔, 스퀘어, 교통에 대한 참조 번호는 로보미믹 논문 (Mandlekar et al., CoRL 2021) 에서 왔습니다. 그리고 거의 모든 후속 모방 학습 논문에서 보고되는 기본 라인입니다. 퍼포시전 정책 (Chi et al., RSS 2023), ACT (Zhao et al., RSS 2023), 그리고 BC-Transformer 모두 Robosuite 작업에 대한 헤드라인 번호를 발표했습니다.
VLA 평가에 Robosuite는 표준화된 테스트 침대에서 증가하는 비중을 뒷받침합니다. LIBERO-130는 Robosuite의 작업 작성 시스템으로 구축되어 동일한 관찰 및 행동 공간을 사용합니다. 일부 인간 사례에서 자동으로 대규모 시범을 생성하는 MimicGen은 Robosuite에서 끝에서 끝으로 실행됩니다. 오픈 X-Embodiment과 로보카사 데이터 세트는 모두 Robosuite 호환성 있는 액션 스펙을 사용하며, 이는 크로스 데이터 세트 정책 평가를 간편하게 합니다.
장점 과 단점
** 강점** MIT 라이선스, 최소 설치 (하나의 파이프 명령), 자동 보너스 적응을 위한 8개의 사전 캘리버드 로봇 팔, 출판된 기본 라인과 함께 9개의 표준화된 핵심 작업, robomimic, LIBERO, MimicGen, Mobile ALOHA와 긴밀한 통합, 그리고 커뮤니티에 기여한 확장 프로그램들의 깊은 라이브러리. 로보수이트는 MuJoCo의 접촉 물리학을 계승하기 때문에 테이블탑 조작에 있어서도 정확합니다.
** 약점.** 범위를 의도적으로 테이블탑 조작으로 제한합니다.
로보사이트 를 언제 선택 해야 합니까?
로보수이트는 실험이 테이블탑 조작이 될 때, 그리고 직접 작업을 만드는 것보다 표준화된 작업을 원한다면 선택합니다. 모방 학습 연구, 프랑카 또는 양동 ALOHA에 대한 VLA 평가, 로보미믹 기본 리프리덕션 및 이전 논문과 애플- 애플 비교를 게시하는 모든 작업 흐름에 적합한 기본입니다. MIT 라이선스와 단 명령 설치도 수업이나 튜토리얼 또는 해카톤에서 가장 쉽게 채택할 수 있는 시뮬레이터입니다.
벤치마크 띠보다는 전체 저작 제어 기능을 원하는 경우 직접 [MuJoCo]를 선택하십시오. 사진현실적인 렌더링 또는 ROS 2 통합이 bottleneck이 될 때 [Isaac Sim]를 선택하십시오. 이동 또는 대규모 훈련에 4,096+ 엔비디아에 GPU 평행 RL가 필요한 경우 [Isaac Sim 2026 가이드]를 참조하십시오. 보다 광범위한 비교를 위해 [MuJoCo vs Isaac Sim 2026 가이드]를 참조하십시오.
사용자 정의 로보수이트 환경을 구하세요
RCSV는 모방 학습 및 VLA 평가 팀들을 위해 사용자 지정 Robosuite 환경을 구축합니다. 새로운 테이블톱 작업은 robomimic 호환 가능한 디스플레이 데이터 세트, 여러 팔에서 동일한 정책을 평가하는 크로스 인체화 스위트 및 이동 ALOHA 쌍방향 장면이 텔레오퍼레이션 재생으로 있습니다. 모든 배달선들은 로봇미믹 컨피그, 결정론적 씨앗과 샌프란시스코 연구소에서 일치하는 텔레오퍼레이션 데이터 세트를 가지고 있습니다.
브라우즈 스토어 작정 엔브를 얻으십시오 데이터셋을 얻으십시오
관련 링크
- [RL 환경 허브]
T13 ) 8개의 주요 시뮬레이터를 비교해 보세요. - [MuJoCo]
T14 ) 물리 엔진 Robosuite를 구축합니다. - [아이삭 연구소]
T15 ) 대용량 훈련에 GPU 평행 RL 대안 - [MuJoCo vs Isaac Sim 2026]
T16 ) 헤드-가-헤드 시뮬레이터 비교 - [도점에서 호환된 하드웨어]
T17 ) 프랭카, 모바일 ALOHA, UR5e. - [전체 조작 데이터 집합] (
T18 ) 모방 학습을 위한
시뮬레이션으로 80%까지 도달합니다. 마지막 마일은 실제 로봇입니다.