联系销售
返回Learn

如何在Ubuntu 22.04上安装Isaac Lab

步骤对步安装伊萨克实验室 Ubuntu 22.04:conda env,伊萨克西姆 4.x, isaaclab.sh,通过操纵器RL任务验证. ~ 45分钟,免费,可重复.

根据NVIDIA Isaac Lab的数据,这是一款实际的开源RL/模拟学习框架,用于2026年机器人模拟.本教程通过了Ubuntu 22.04上的清洁安装, Isaac Sim 4.x,一个专门的共享环境,以及第一次训练运行来验证堆工作.

模拟总时间:约45分钟 难度:中期 更新于2026年4月

你将实现什么

在本教程结束时,您将有一个工作的Isaac Lab安装,可复制的室内环境,以及一个操作器任务的验证的端到端RL训练.这是下游所有事情的基础:政策训练,域名随机化,真实转移,以及[RL环境]T24) 评估.

艾萨克实验室 (以前是Orbit/Isaac Gym Envs) 是由NVIDIA在 [github.com/isaac-sim/IsaacLab]T25维护的.它位于艾萨克实验室的顶部,并为任务定义提供了清洁的Python API,RL训练与RL-Games /RSL-RL /Stable-Baselines3以及域名随机化.

条件

  • Ubuntu 20.04 运行,但不再是主要目标.
  • NVIDIA RTX GPU至少具有8 GB的VRAM. 12 GB+强烈建议用于并行RL训练.
  • 查看使用T7.
  • **50GB的空格磁盘空间.**Isaac Sim加上一些任务缓存是重的.
  • 我们将创建一个孤立的环境.
  • 基本的熟悉Python,命令行,以及 git.

根据"Python"的定义,一个系统可以实现一个新的解决方案,一个新的解决方案,一个新的解决方案,一个新的解决方案.

步骤

  1. 检查系统的先决条件

首先,确认您的Ubuntu版本,GPU驱动程序和磁盘空间.

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

您正在寻找Ubuntu 22.04,一个驱动程序版本为 535 或更晚,并且至少在会容纳Isaac Sim的分区上有50GB的免费.如果T8不生成表,在继续之前安装或更新驱动程序.

  1. ###安装Miniconda

如果您还没有小屋,请拿下小屋:

```
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
```

通过T9来验证. 我们将让艾萨克实验室在后一步创建自己的环境.

  1. ###安装Isaac Sim 4.x

艾萨克实验室需要艾萨克西姆4.x. 有两个支持的路径:

** 选项 A pip包 (推用于无头工作站):** Isaac Sim 现在被分发为 Isaac Sim 4.x 的 pip包. Isaac Lab 安装脚本可以自动拉出它.如果您使用此路径,请跳转到步骤 4,安装脚本将处理它.

**B选项 全文启动器 (如果您想要GUI:**下载全文启动器从 developer.nvidia.com/isaac-sim,登录,安装Isaac Sim 4.x,并注意安装路径 (通常是T10).

查看目前支持的Isaac Sim版本的[Isaac Lab文件]T27).

  1. 克隆了艾萨克实验室的存储库

复制官方的回复:

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

如果您想要一个特定的版本,请查看与您的Isaac Sim版本相匹配的标签 (例如T11).

  1. 创造一个房间环境

从 repo 根,使用提供的辅助脚本创建专用conda env:

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

这会创建一个名为T13的 env,并激活它.如果你选择了选项A (pip Isaac Sim), env将在下一步自动拉出 Isaac Sim pip包.

  1. ###安装艾萨克实验室扩展

运行安装目标:

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

这将所有Isaac Lab扩展安装在可编辑模式中,加上RL库堆 (RL-Games,RSL-RL,SKRL,Stable-Baselines3).

** 解决问题:** 如果您看到 T14,您的 Isaac Sim 路径将无法被检测到. 设置 T15到您的 Isaac Sim 安装目录中,然后重新运行.

  1. 检查安装

通过艾萨克实验室包装发射艾萨克·西姆来确认图形堆工作:

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

窗口应该开放一个空格场景. 关闭它在终端中使用Ctrl+C. 在无头服务器上,通过T16跳过窗口.

  1. 起第一次的RL训练

训练一个快速的操纵器RL任务,以验证完整的堆工作:

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

这将启动1024平行Franka 环境,并与RSL-RL进行PPO政策.在RTX 4090上,你应该在一两分钟内看到奖励曲线.如果这没有错误,你的Isaac Lab安装将完全运行.

接下来要做什么?

随着艾萨克实验室运行,典型的下一步是: (1) 尝试其他内置任务 (柜台,手中的立方体,人形机动), (2) 通过分类基任务环境来定义您自己的任务,以及 (3) 通过sim-to-real转移将训练的政策连接到[VLA模型]T28) 评估或真机器人. 结合这个教程和我们的 [LeRobot录音教程]T29) 构建一个混合模拟+真实数据集.

如果您正在开发一个人形机,Isaac Lab将运动和全身任务从盒子中运输出来. 如果您拥有Booster K1或Unitree G1,请参阅我们的 [Unitree G1摄像头校准教程]T30) 查看该管道的真实机器人侧面.

常见故障模式

GLIBC 发布时的错误: 几乎总是Ubuntu版本不匹配.

**GPU内存:**低 T17. 256 在 8 GB GPU 上工作.

缓慢的资产下载: NVIDIA资产CDN是区域的 如果你在一个有限的网络上,一次镜像资产,并点T18在本地缓存.

**混合Python环境:**总是通过T19启动脚本,从来没有直接通过T20启动脚本.

深度潜水:伊萨克实验室vs替代品

艾萨克实验室不是唯一的GPU加速RL模拟器2026年.它只是最广泛采用的.与MuJoCo MJX相比,艾萨克实验室通过Omniverse RTX提供更好的现实光影染,这在训练前,将转移到现实硬件时很重要. MuJoCo MJX在纯状态RL的原始模拟吞吐量上具有优势:如果您的政策只消耗了联合状态和终点目标,MJX将经常在半个墙钟时间内进行训练. Genesis,CMU的最新的Python第一模拟器,在染效率上快速赶上了,并提供了更干净的Python API,但缺乏成熟的资产生态系统和验证的机器人模型Isaac Lab继承了从Isaac Sim.

对于机器人学习团队来说,实际的决策树是:从零开始,基于视觉的操纵,选择生态系统的艾萨克实验室.在单个GPU上进行纯状态的移动研究,MJX可能每美元更快.想要一个完全开源的堆,没有NVIDIA依赖,请看Genesis或简单的MuJoCo. 我们的 [RL环境目录]T31) 保持了这些模拟器之间的最新比较.

深度潜水:环境问题

人们低估了"conda env"步骤.艾萨克·辛姆将自己的Python (通常是3.10) 捆绑在一起,并将USD,物理,射线追踪等内容覆盖成百个本土库.将这些混合到现有项目中导致隐秘的分误,其中症状是"进口工作,但模拟器在第一次时崩". 如果您必须将Isaac Lab带入现有环境中 (例如,因为您想与另一个项目共享PyTorch),则复制从T22的环境中,并将您的额外的 deps放在上面.

深度潜水:无头对比GUI

一旦你完成验证,你将几乎所有东西都运行无头.GUI模式是为编写和调试;训练一个政策的染窗口开放浪费了像素推时的GPU时间的15-20%. T23用于训练,并且只需要检查特定节目时将观看器连接. 艾萨克·西姆支持一个独立的直播视频端,它通过WebRTC连接到一个无头训练运行,如果您在远程服务器上进行训练,则值得设置一次.

常见问题

Is Isaac Lab运行AMD GPU吗 没有.Isaac Sim取决于NVIDIA的RTX堆和CUDA.MuJoCo MJX或Genesis是您在AMD或果的选择.

我可以在Docker中运行Isaac Lab吗 是的.NVIDIA在NGC上发布了Isaac Sim Docker图像.对Isaac Lab而言, IsaacLab的 repo在上面发送了Dockerfile.在 RunPod,Lambda或A100/H100实例上云训练运行良好.

** 关于Windows/WSL怎么办?** 艾萨克·西姆拥有本土Windows支持,并通过GPU通过WSL2工作.Ubuntu本土仍然是更平滑的路径.

我需要多大的集群? 一个RTX 4090在不到一个小时内训练许多操纵任务. 移动任务和大型行动空间人形任务从多GPU设置中获益.

相关教程和资源