NVIDIA IsaacLab Arena & LeRobot

LeRobot EnvHub 现已支持使用 IsaacLab Arena 的 GPU 加速 simulation，可大规模评估 policy。使用高保真 simulation 训练和评估模仿学习 policy——全部集成到 LeRobot 生态系统中。

IsaacLab Arena - GR1 Microwave Environment

IsaacLab Arena 与 NVIDIA IsaacLab 集成，提供：

🤖 人形本体：GR1、G1、Galileo，具有多种配置
🎯 操作与移动操作任务：开门、拾放、按钮按压等
⚡ GPU 加速 rollout：在 NVIDIA GPU 上并行执行环境
🖼️ RTX 渲染：通过逼真的渲染、反射和折射评估基于视觉的 policy
📦 LeRobot 兼容 dataset：可直接用于 GR00T N1x、PI0、SmolVLA、ACT 和 Diffusion policy 的训练
🔄 EnvHub 集成：用一行代码从 HuggingFace EnvHub 加载环境

安装

前置条件

硬件要求与 Isaac Sim 相同，详见 Isaac Sim 要求。

支持 CUDA 的 NVIDIA GPU
与 IsaacSim 5.1.0 兼容的 NVIDIA 驱动
Linux（Ubuntu 22.04 / 24.04）

设置

# 1. Create conda environment
conda create -y -n lerobot-arena python=3.11
conda activate lerobot-arena
conda install -y -c conda-forge ffmpeg=7.1.1

# 2. Install Isaac Sim 5.1.0
pip install "isaacsim[all,extscache]==5.1.0" --extra-index-url https://pypi.nvidia.com

# Accept NVIDIA EULA (required)
export ACCEPT_EULA=Y
export PRIVACY_CONSENT=Y

# 3. Install IsaacLab 2.3.0
git clone https://github.com/isaac-sim/IsaacLab.git
cd IsaacLab
git checkout v2.3.0
./isaaclab.sh -i
cd ..

# 4. Install IsaacLab Arena
git clone https://github.com/isaac-sim/IsaacLab-Arena.git
cd IsaacLab-Arena
git checkout release/0.1.1
pip install -e .
cd ..


# 5. Install LeRobot (evaluation extra for env/policy evaluation)
git clone https://github.com/huggingface/lerobot.git
cd lerobot
pip install -e ".[evaluation]"
cd ..


# 6. Install additional dependencies
pip install onnxruntime==1.23.2 lightwheel-sdk==1.0.1 vuer[all]==0.0.70 qpsolvers==4.8.1
pip install numpy==1.26.0 # Isaac Sim 5.1 depends on numpy==1.26.0, this will be fixed in next release

评估 policy

预训练 policy

以下训练好的 policy 可用：

policy	架构	任务	链接
pi05-arena-gr1-microwave	PI0.5	GR1 Microwave	HuggingFace
smolvla-arena-gr1-microwave	SmolVLA	GR1 Microwave	HuggingFace

评估 SmolVLA

pip install -e ".[smolvla]"
pip install numpy==1.26.0 # revert numpy to version 1.26

lerobot-eval \
    --policy.path=nvidia/smolvla-arena-gr1-microwave \
    --env.type=isaaclab_arena \
    --env.hub_path=nvidia/isaaclab-arena-envs \
    --rename_map='{"observation.images.robot_pov_cam_rgb": "observation.images.robot_pov_cam"}' \
    --policy.device=cuda \
    --env.environment=gr1_microwave \
    --env.embodiment=gr1_pink \
    --env.object=mustard_bottle \
    --env.headless=false \
    --env.enable_cameras=true \
    --env.video=true \
    --env.video_length=10 \
    --env.video_interval=15 \
    --env.state_keys=robot_joint_pos \
    --env.camera_keys=robot_pov_cam_rgb \
    --trust_remote_code=True \
    --eval.batch_size=1

评估 PI0.5

pip install -e ".[pi]"
pip install numpy==1.26.0 # revert numpy to version 1.26

PI0.5 在评估时需要禁用 torch compile：

TORCH_COMPILE_DISABLE=1 TORCHINDUCTOR_DISABLE=1 lerobot-eval \
    --policy.path=nvidia/pi05-arena-gr1-microwave \
    --env.type=isaaclab_arena \
    --env.hub_path=nvidia/isaaclab-arena-envs \
    --rename_map='{"observation.images.robot_pov_cam_rgb": "observation.images.robot_pov_cam"}' \
    --policy.device=cuda \
    --env.environment=gr1_microwave \
    --env.embodiment=gr1_pink \
    --env.object=mustard_bottle \
    --env.headless=false \
    --env.enable_cameras=true \
    --env.video=true \
    --env.video_length=15 \
    --env.video_interval=15 \
    --env.state_keys=robot_joint_pos \
    --env.camera_keys=robot_pov_cam_rgb \
    --trust_remote_code=True \
    --eval.batch_size=1

要更改并行环境的数量，请使用 ```--eval.batch_size``` 参数。

预期结果

评估期间，你将看到一个显示实时成功率的进度条：

Stepping through eval batches:   8%|██████▍    | 4/50 [00:45<08:06, 10.58s/it, running_success_rate=25.0%]

视频录制

要在评估期间启用视频录制，请向命令添加以下参数：

--env.video=true \
--env.video_length=15 \
--env.video_interval=15

有关视频录制的更多详细信息，请参阅 IsaacLab 录制文档。

使用 `--env.headless=true` 以无头模式运行时，对于启用了相机的环境，你还必须显式启用相机：
--env.headless=true --env.enable_cameras=true

输出目录

评估视频会以以下结构保存到输出目录：

outputs/eval/<date>/<timestamp>_<env>_<policy>/videos/<task>_<env_id>/eval_episode_<n>.mp4

例如：

outputs/eval/2026-01-02/14-38-01_isaaclab_arena_smolvla/videos/gr1_microwave_0/eval_episode_0.mp4

训练 policy

要了解有关使用 LeRobot 训练 policy 的更多信息，请参阅训练文档：

HuggingFace Hub 上提供了 IsaacLab Arena 示例 dataset，可用于实验：

dataset	说明	帧数
Arena-GR1-Manipulation-Task	GR1 微波炉操作	~4K
Arena-G1-Loco-Manipulation-Task	G1 移动操作	~4K

环境配置

完整配置选项

from lerobot.envs.configs import IsaaclabArenaEnv

config = IsaaclabArenaEnv(
    # Environment selection
    environment="gr1_microwave",      # Task environment
    embodiment="gr1_pink",            # Robot embodiment
    object="power_drill",             # Object to manipulate

    # Simulation settings
    episode_length=300,               # Max steps per episode
    headless=True,                    # Run without GUI
    device="cuda:0",                  # GPU device
    seed=42,                          # Random seed

    # Observation configuration
    state_keys="robot_joint_pos",     # State observation keys (comma-separated)
    camera_keys="robot_pov_cam_rgb",  # Camera observation keys (comma-separated)
    state_dim=54,                     # Expected state dimension
    action_dim=36,                    # Expected action dimension
    camera_height=512,                # Camera image height
    camera_width=512,                 # Camera image width
    enable_cameras=True,              # Enable camera observations

    # Video recording
    video=False,                      # Enable video recording
    video_length=100,                 # Frames per video
    video_interval=200,               # Steps between recordings

    # Advanced
    mimic=False,                      # Enable mimic mode
    teleop_device=None,               # Teleoperation device
    disable_fabric=False,             # Disable fabric optimization
    enable_pinocchio=True,            # Enable Pinocchio for IK
)

直接使用 Environment Hub 进行高级用法

创建一个名为 test_env_load_arena.py 的文件，或从 EnvHub 下载：

import logging
from dataclasses import asdict
from pprint import pformat
import torch
import tqdm
from lerobot.configs import parser
from lerobot.configs.eval import EvalPipelineConfig


@parser.wrap()
def main(cfg: EvalPipelineConfig):
    """Run random action rollout for IsaacLab Arena environment."""
    logging.info(pformat(asdict(cfg)))

    from lerobot.envs import make_env

    env_dict = make_env(
        cfg.env,
        n_envs=cfg.env.num_envs,
        trust_remote_code=True,
    )
    env = next(iter(env_dict.values()))[0]
    env.reset()
    for _ in tqdm.tqdm(range(cfg.env.episode_length)):
        with torch.inference_mode():
            actions = env.action_space.sample()
            obs, rewards, terminated, truncated, info = env.step(actions)
            if terminated.any() or truncated.any():
                obs, info = env.reset()
    env.close()


if __name__ == "__main__":
    main()

使用以下命令运行：

python test_env_load_arena.py \
    --env.environment=g1_locomanip_pnp \
    --env.embodiment=gr1_pink \
    --env.object=cracker_box \
    --env.num_envs=4 \
    --env.enable_cameras=true \
    --env.seed=1000 \
    --env.video=true \
    --env.video_length=10 \
    --env.video_interval=15 \
    --env.headless=false \
    --env.hub_path=nvidia/isaaclab-arena-envs \
    --env.type=isaaclab_arena

创建新环境

首先按照 IsaacLab Arena 文档创建新的 IsaacLab Arena 环境。

克隆我们的 EnvHub 仓库：

git clone https://huggingface.co/nvidia/isaaclab-arena-envs

根据你的新环境修改 example_envs.yaml 文件。将修改后的仓库上传到 HuggingFace EnvHub。

评估期间，你的 IsaacLab Arena 环境代码必须在本地可用。用户可以单独克隆你的环境仓库，或者你可以将环境代码和资源直接打包到你的 EnvHub 仓库中。

然后，在评估时使用你的新环境：

lerobot-eval \
    --env.hub_path=<your-env-hub-path>/isaaclab-arena-envs \
    --env.environment=<your new environment> \
    ...other flags...

我们期待你的贡献！

故障排查

CUDA 内存不足

减小 batch_size 或使用显存更大的 GPU：

--eval.batch_size=1

未接受 EULA

在运行前设置环境变量：

export ACCEPT_EULA=Y
export PRIVACY_CONSENT=Y

视频录制无法工作

以无头模式运行时启用相机：

--env.video=true --env.enable_cameras=true --env.headless=true

policy 输出维度不匹配

确保 action_dim 与你的 policy 匹配：

--env.action_dim=36

Isaac Sim 初始化期间出现 libGLU.so.1 错误

确保已安装以下依赖，这很可能发生在无头机器上。

sudo apt update && sudo apt install -y libglu1-mesa libxt6

另请参阅

Lightwheel LW-BenchHub

Lightwheel 正将包含 268 个任务的 Lightwheel-Libero-Tasks 和 Lightwheel-RoboCasa-Tasks 引入 LeRobot 生态系统。 LW-BenchHub 通过 teleoperation 收集并生成符合 LeRobot 规范的大规模 dataset，实现开箱即用的训练和评估工作流。借助 EnvHub 提供的统一接口，开发者可以快速构建端到端实验流水线。

安装

假设你已按照安装步骤操作，可以使用以下命令安装 LW-BenchHub：

conda install pinocchio -c conda-forge -y
pip install numpy==1.26.0 # revert numpy to version 1.26

sudo apt-get install git-lfs && git lfs install

git clone https://github.com/LightwheelAI/lw_benchhub
git lfs pull # Ensure LFS files (e.g., .usd assets) are downloaded

cd lw_benchhub
pip install -e .

更详细的说明请参阅 LW-BenchHub 文档。

Lightwheel 任务 dataset

LW-BenchHub dataset 可在 HuggingFace Hub 上获取：

dataset	说明	任务	帧数
Lightwheel-Tasks-X7S	X7S LIBERO 和 RoboCasa	117	~10.3M
Lightwheel-Tasks-Double-Piper	Double-Piper LIBERO	130	~6.0M
Lightwheel-Tasks-G1-Controller	G1-Controller LIBERO	62	~2.7M
Lightwheel-Tasks-G1-WBC	G1-WBC RoboCasa	32	~1.5M

有关训练 policy 的内容，请参阅训练 policy部分。

评估 policy

预训练 policy

以下训练好的 policy 可用：

policy	架构	任务	布局	机器人	链接
smolvla-double-piper-pnp	SmolVLA	L90K1PutTheBlackBowlOnThePlate	libero-1-1	DoublePiper-Abs	HuggingFace

评估 SmolVLA

lerobot-eval \
  --policy.path=LightwheelAI/smolvla-double-piper-pnp \
  --env.type=isaaclab_arena \
  --rename_map='{"observation.images.left_hand_camera_rgb": "observation.images.left_hand", "observation.images.right_hand_camera_rgb": "observation.images.right_hand", "observation.images.first_person_camera_rgb": "observation.images.first_person"}' \
  --env.hub_path=LightwheelAI/lw_benchhub_env \
  --env.kwargs='{"config_path": "configs/envhub/example.yml"}' \
  --trust_remote_code=true \
  --env.state_keys=joint_pos \
  --env.action_dim=12 \
  --env.camera_keys=left_hand_camera_rgb,right_hand_camera_rgb,first_person_camera_rgb \
  --policy.device=cuda \
  --eval.batch_size=10 \
  --eval.n_episodes=100

环境配置

通过修改配置文件中的 robot、task 和 layout 设置，可以快速启动评估。

完整配置选项

# =========================
# Basic Settings
# =========================
disable_fabric: false
device: cuda:0
sensitivity: 1.0
step_hz: 50
enable_cameras: true
execute_mode: eval
episode_length_s: 20.0 # Episode length in seconds, increase if episodes timeout during eval

# =========================
# Robot Settings
# =========================
robot: DoublePiper-Abs # Robot type, DoublePiper-Abs, X7S-Abs, G1-Controller or G1-Controller-DecoupledWBC
robot_scale: 1.0

# =========================
# Task & Scene Settings
# =========================
task: L90K1PutTheBlackBowlOnThePlate # Task name
scene_backend: robocasa
task_backend: robocasa
debug_assets: null
layout: libero-1-1 # Layout and style ID
sources:
  - objaverse
  - lightwheel
  - aigen_objs
object_projects: []
usd_simplify: false
seed: 42

# =========================
# Object Placement Retry Settings
# =========================
max_scene_retry: 4
max_object_placement_retry: 3

resample_objects_placement_on_reset: true
resample_robot_placement_on_reset: true

# =========================
# Replay Configuration Settings
# =========================
replay_cfgs:
  add_camera_to_observation: true
  render_resolution: [640, 480]

另请参阅

在 GitHub 上更新