robosuite

[主页]   [白皮书]   [文档]   [ARISE Initiative]

---

最新更新

• [2024/10/28] v1.5：新增对多种机器人本体（包括人形机器人）的支持、自定义机器人组合、复合控制器（包括全身控制器）、更多遥操作设备以及照片级真实感渲染。[发布说明] [文档]

• [2022/11/15] v1.4：后端迁移至 DeepMind 官方的 MuJoCo Python 绑定，新增机器人纹理及若干 bug 修复 :robot: [发布说明] [文档]

• [2021/10/19] v1.3：新增光线追踪和基于物理的渲染工具 :sparkles:，并支持额外的视觉模态 🎥 [视频亮点] [发布说明] [文档]

• [2021/02/17] v1.2：新增可观测传感器模型 :eyes: 和动力学随机化 :game_die: [发布说明]

• [2020/12/17] v1.1：重构基础设施，并标准化模型类，大幅简化环境原型开发 :wrench: [发布说明]

---

robosuite 是一个基于 MuJoCo 物理引擎（physics engine）构建的机器人学习仿真框架。它还提供了一套用于可复现研究的基准环境。当前版本（v1.5）支持多种机器人本体（包括人形机器人）、自定义机器人组合、复合控制器（包括全身控制器）、更多遥操作设备以及照片级真实感渲染。该项目隶属于更广泛的 通过仿真环境推进机器人智能（Advancing Robot Intelligence through Simulated Environments, ARISE）计划，旨在降低人工智能与机器人交叉领域前沿研究的门槛。

数据驱动算法（如强化学习和模仿学习）为机器人领域提供了强大而通用的工具。这些学习范式在深度学习新进展的推动下，已在多种机器人控制任务中取得了令人振奋的成功。然而，可复现性方面的挑战以及机器人硬件的有限可及性（尤其是在疫情期间）阻碍了研究进展。robosuite 的总体目标是为研究人员提供：

• 一套标准化的基准任务，用于严格的评估和算法开发；
• 模块化设计，便于灵活构建新的机器人仿真环境；
• 高质量的机器人控制器实现和开箱即用的学习算法，以降低入门门槛。

该框架最初由 斯坦福视觉与学习实验室（Stanford Vision and Learning Lab, SVL）的研究人员于 2017 年底开发，作为机器人学习研究的内部工具。如今，它由 SVL、德克萨斯大学机器人感知与学习实验室（Robot Perception and Learning Lab, RPL）以及 NVIDIA 通用具身智能体研究组（Generalist Embodied Agent Research Group, GEAR）积极维护并用于机器人研究项目。我们欢迎社区为本项目贡献代码。详情请参阅我们的 贡献指南。

Robosuite 提供了模块化的 API 设计，支持通过程序化生成（procedural generation）构建新环境、新机器人本体和新控制器。我们重点介绍以下核心特性：

• 标准化任务：一套多样且复杂度各异的标准操作任务，以及用于可复现研究的强化学习（RL）基准结果；
• 程序化生成：提供模块化 API，可通过组合机器人模型、场景（arenas）和参数化 3D 物体来编程创建新环境和新任务。请查看我们的仓库 robosuite_models，其中包含专为 robosuite 定制的额外机器人模型；
• 机器人控制器：多种控制器类型用于操控机器人，例如关节空间速度控制、逆运动学控制、操作空间控制和全身控制；
• 遥操作设备：支持多种遥操作设备，包括键盘、SpaceMouse 和 MuJoCo 查看器的拖拽操作；
• 多模态传感器：支持异构类型的传感信号，包括低层物理状态、RGB 相机、深度图和本体感知（proprioception）；
• 人类示范数据：提供收集人类示范、回放示范数据集以及利用示范数据进行学习的工具。请查看我们的姊妹项目 robomimic；
• 照片级真实感渲染：集成高级图形工具，可对仿真场景进行实时照片级真实感渲染，包括支持 NVIDIA Isaac Sim 渲染。

引用

如果您在发表的论文中使用了此框架，请引用 robosuite：

@inproceedings{robosuite2020,
  title={robosuite: A Modular Simulation Framework and Benchmark for Robot Learning},
  author={Yuke Zhu and Josiah Wong and Ajay Mandlekar and Roberto Mart\'{i}n-Mart\'{i}n and Abhishek Joshi and Soroush Nasiriany and Yifeng Zhu and Kevin Lin},
  booktitle={arXiv preprint arXiv:2009.12293},
  year={2020}
}

robosuite 快速上手指南

环境准备

• 操作系统：Linux（推荐 Ubuntu 20.04+）或 macOS（部分功能可能受限），Windows 用户建议使用 WSL2。
• Python 版本：3.8 ~ 3.11
• 依赖项：
  • MuJoCo 2.3.2 或更高版本（robosuite v1.5 起使用 DeepMind 官方 MuJoCo Python 绑定）
  • 建议使用虚拟环境（如 venv 或 conda）隔离依赖

💡 国内用户可考虑使用清华源等镜像加速 PyPI 下载。

安装步骤

1. 安装 MuJoCo（若尚未安装）：

pip install mujoco

2. 安装 robosuite：

pip install robosuite

若需最新开发版，可从 GitHub 安装：

pip install git+https://github.com/ARISE-Initiative/robosuite.git

国内用户可尝试使用镜像加速：

pip install robosuite -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下是最简单的示例：加载一个环境并执行随机动作。

import robosuite as suite

# 创建一个环境（Panda 机械臂 + Lift 任务）
env = suite.make(
    env_name="Lift",                # 任务名称
    robots="Panda",                 # 使用的机器人
    has_renderer=True,              # 启用 GUI 渲染器
    render_camera="agentview",      # 渲染视角
    has_offscreen_renderer=False,   # 不使用离屏渲染
    use_camera_obs=False,           # 不返回图像观测
)

# 重置环境
env.reset()

# 随机策略运行 100 步
for _ in range(100):
    action = env.action_space.sample()  # 随机采样动作
    obs, reward, done, info = env.step(action)
    env.render()  # 实时渲染

运行后将弹出 MuJoCo 可视化窗口，展示机械臂执行随机动作的过程。

更多环境、机器人和控制器选项，请参考官方文档：https://robosuite.ai/docs/overview.html