---

艾萨克实验室

艾萨克实验室 是一个基于 GPU 加速的开源框架，旨在统一并简化机器人研究工作流，例如强化学习、模仿学习和运动规划。它构建于 NVIDIA Isaac Sim 之上，结合了快速且精确的物理与传感器仿真，使其成为机器人领域从仿真到现实迁移的理想选择。

艾萨克实验室为开发者提供了多种用于精确传感器仿真的关键功能，例如基于 RTX 的相机、激光雷达或接触传感器。该框架的 GPU 加速能力使用户能够更快地运行复杂的仿真和计算，这对于强化学习等迭代过程以及数据密集型任务至关重要。此外，艾萨克实验室既可以在本地运行，也可以在云端分布式部署，从而为大规模应用提供灵活性。

有关艾萨克实验室的详细描述，请参阅我们的 arXiv 论文。

核心特性

艾萨克实验室提供了一套全面的工具和环境，专为促进机器人学习而设计：

• 机器人：多样化的机器人集合，涵盖机械臂、四足机器人和人形机器人等多种类型，包含超过 16 种常用模型。
• 环境：超过 30 种即用型训练环境，可与 RSL RL、SKRL、RL Games 或 Stable Baselines 等主流强化学习框架配合使用。我们还支持多智能体强化学习。
• 物理引擎：刚体、关节系统和可变形物体。
• 传感器：RGB/深度/分割相机、相机标注、IMU、接触传感器、射线投射器。

快速入门

文档

我们的 文档页面 提供了您开始所需的一切，包括详细的教程和分步指南。请通过以下链接了解更多：

• 安装步骤
• 强化学习
• 教程
• 可用环境

Isaac Sim 版本依赖

艾萨克实验室构建于 Isaac Sim 之上，因此需要与每个艾萨克实验室版本兼容的特定 Isaac Sim 版本。以下是近期艾萨克实验室发布版本及其对应的 GitHub 分支，以及它们对 Isaac Sim 的版本依赖关系。

艾萨克实验室版本	Isaac Sim 版本
main 分支	Isaac Sim 4.5 / 5.0 / 5.1
v2.3.X	Isaac Sim 4.5 / 5.0 / 5.1
v2.2.X	Isaac Sim 4.5 / 5.0
v2.1.X	Isaac Sim 4.5
v2.0.X	Isaac Sim 4.5

参与艾萨克实验室开发

我们诚挚欢迎社区贡献，以使这一框架更加成熟并惠及所有人。这些贡献可以是漏洞报告、功能请求或代码提交。有关详情，请查阅我们的 贡献指南。

展示与分享：分享您的灵感

我们鼓励您利用此仓库“讨论”版块中的 展示与分享 区域。该空间专为您设计，用于：

• 分享您创建的教程
• 展示您的学习内容
• 呈现您开发的精彩项目

通过分享您的作品，您将激励他人，并为社区的集体知识库做出贡献。您的贡献能够激发新的想法和合作，推动机器人与仿真领域的创新。

故障排除

请参阅 故障排除 部分，获取常见问题的解决方法，或 提交问题。

如遇与 Isaac Sim 相关的问题，建议查阅其 文档 或在其 论坛 上提问。

支持

• 请使用 GitHub 的 讨论区 来交流想法、提出问题以及请求新功能。
• GitHub 的 问题 应仅用于跟踪具有明确范围和清晰交付成果的具体工作，例如修复 bug、文档问题、新增功能或常规更新。

与 NVIDIA Omniverse 社区建立联系

您是否有想要更广泛分享的项目或资源？我们非常期待您的来信！请发送邮件至 OmniverseCommunity@nvidia.com，与 NVIDIA Omniverse 社区团队探讨如何突出您的工作。

您还可以加入 Omniverse Discord 社区，与其他开发者交流、分享您的项目，并共同打造一个充满活力、协作共生的生态系统，在这里创意与技术交汇融合。您的贡献将对艾萨克实验室社区乃至更广阔的领域产生深远影响！

许可证

Isaac Lab 框架根据 BSD-3 许可证 发布。isaaclab_mimic 扩展及其相应的独立脚本则根据 Apache 2.0 发布。其依赖项和资产的许可证文件位于 docs/licenses 目录中。

请注意，Isaac Lab 需要 Isaac Sim，而 Isaac Sim 包含受专有许可条款约束的组件。有关 Isaac Sim 的许可信息，请参阅 Isaac Sim 许可证。

此外，isaaclab_mimic 扩展需要 cuRobo，cuRobo 也采用专有许可条款，相关许可信息可在 docs/licenses/dependencies/cuRobo-license.txt 中找到。

引用

如果您在研究中使用了 Isaac Lab，请引用以下技术报告：

@article{mittal2025isaaclab,
  title={Isaac Lab: A GPU-Accelerated Simulation Framework for Multi-Modal Robot Learning},
  author={Mayank Mittal and Pascal Roth and James Tigue and Antoine Richard and Octi Zhang and Peter Du and Antonio Serrano-Muñoz and Xinjie Yao and René Zurbrügg and Nikita Rudin and Lukasz Wawrzyniak and Milad Rakhsha and Alain Denzler and Eric Heiden and Ales Borovicka and Ossama Ahmed and Iretiayo Akinola and Abrar Anwar and Mark T. Carlson and Ji Yuan Feng and Animesh Garg and Renato Gasoto and Lionel Gulich and Yijie Guo and M. Gussert and Alex Hansen and Mihir Kulkarni and Chenran Li and Wei Liu and Viktor Makoviychuk and Grzegorz Malczyk and Hammad Mazhar and Masoud Moghani and Adithyavairavan Murali and Michael Noseworthy and Alexander Poddubny and Nathan Ratliff and Welf Rehberg and Clemens Schwarke and Ritvik Singh and James Latham Smith and Bingjie Tang and Ruchik Thaker and Matthew Trepte and Karl Van Wyk and Fangzhou Yu and Alex Millane and Vikram Ramasamy and Remo Steiner and Sangeeta Subramanian and Clemens Volk and CY Chen and Neel Jawale and Ashwin Varghese Kuruttukulam and Michael A. Lin and Ajay Mandlekar and Karsten Patzwaldt and John Welsh and Huihua Zhao and Fatima Anes and Jean-Francois Lafleche and Nicolas Moënne-Loccoz and Soowan Park and Rob Stepinski and Dirk Van Gelder and Chris Amevor and Jan Carius and Jumyung Chang and Anka He Chen and Pablo de Heras Ciechomski and Gilles Daviet and Mohammad Mohajerani and Julia von Muralt and Viktor Reutskyy and Michael Sauter and Simon Schirm and Eric L. Shi and Pierre Terdiman and Kenny Vilella and Tobias Widmer and Gordon Yeoman and Tiffany Chen and Sergey Grizan and Cathy Li and Lotus Li and Connor Smith and Rafael Wiltz and Kostas Alexis and Yan Chang and David Chu and Linxi "Jim" Fan and Farbod Farshidian and Ankur Handa and Spencer Huang and Marco Hutter and Yashraj Narang and Soha Pouya and Shiwei Sheng and Yuke Zhu and Miles Macklin and Adam Moravanszky and Philipp Reist and Yunrong Guo and David Hoeller and Gavriel State},
  journal={arXiv preprint arXiv:2511.04831},
  year={2025},
  url={https://arxiv.org/abs/2511.04831}
}

致谢

Isaac Lab 的开发始于 Orbit 框架。我们衷心感谢 Orbit 的作者们所作出的基础性贡献。

Isaac Lab 快速上手指南

Isaac Lab 是一个基于 NVIDIA Isaac Sim 构建的 GPU 加速开源框架，旨在统一和简化机器人研究工作流（如强化学习、模仿学习和运动规划）。它结合了快速准确的物理引擎和传感器模拟，是机器人“仿真到现实”（Sim-to-Real）迁移的理想选择。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统:
  • Linux (推荐 Ubuntu 22.04)
  • Windows 10/11 (64-bit)
• Python 版本: 3.11
• 核心依赖:
  • NVIDIA Isaac Sim: Isaac Lab 强依赖于特定版本的 Isaac Sim。请根据您的 Isaac Lab 版本选择对应的 Isaac Sim 版本：
    • main 分支 / v2.3.X: 支持 Isaac Sim 4.5 / 5.0 / 5.1
    • v2.2.X: 支持 Isaac Sim 4.5 / 5.0
    • v2.0.X - v2.1.X: 支持 Isaac Sim 4.5
  • GPU: 支持 CUDA 的 NVIDIA 显卡（建议 RTX 系列或更高），需安装正确的 NVIDIA 驱动程序。
• 其他工具:
  • Git
  • Conda 或 Venv (用于管理 Python 虚拟环境)

注意: 中国大陆用户建议在下载 Isaac Sim 及相关大文件时，检查是否有国内镜像源或加速方案，以确保下载速度和稳定性。

2. 安装步骤

以下是基于本地安装的简要步骤。更详细的教程请参考 官方文档。

第一步：克隆仓库

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

第二步：配置 Isaac Sim

确保您已安装与当前分支兼容的 Isaac Sim 版本。如果您尚未安装，请访问 NVIDIA Omniverse 下载对应版本。

设置环境变量以指向您的 Isaac Sim 安装路径（以 Linux 为例）：

export ISAACSIM_PATH=${HOME}/.local/share/ov/pkg/isaac-sim
# 或者根据您的实际安装路径修改
# export ISAACSIM_PATH=/path/to/your/isaac-sim

第三步：创建虚拟环境并安装依赖

使用提供的脚本创建 conda 环境并安装 Isaac Lab 核心包：

# 创建名为 isaaclab 的 conda 环境
conda create -n isaaclab python=3.11
conda activate isaaclab

# 安装 Isaac Lab 及其依赖
# 注意：此步骤可能需要较长时间，因为它会编译部分组件
python -m pip install -e .

第四步：验证安装

运行一个简单的脚本来验证环境是否配置成功：

# 运行一个基础的空白环境测试
python source/standalone/tutorials/00_sim/create_empty.py

如果成功启动 Isaac Sim 窗口且无报错，则安装完成。

3. 基本使用

Isaac Lab 内置了超过 30 个即开即用的训练环境，支持 RSL RL, SKRL, RL Games, Stable Baselines 等主流强化学习框架。

运行预置的强化学习示例

以下命令演示如何在一个经典的机械臂环境中训练一个强化学习策略（以 FrankaCabinet 环境为例，使用 RSL RL 框架）：

# 进入源码目录
cd source

# 运行训练脚本
# --task: 指定任务名称
# --headless: (可选) 无头模式运行，不显示图形界面，适合服务器训练
# --num_envs: (可选) 并行环境数量，利用 GPU 加速
python scripts/reinforcement_learning/rsl_rl/train.py --task Isaac-Franka-Cabinet-v0 --headless --num_envs 4096

自定义环境开发

您可以基于现有的模板快速创建新环境。主要步骤包括：

1. 在 source/extensions/isaaclab_tasks/isaaclab_tasks/manager_based/ 下创建新的任务配置。
2. 定义机器人的资产（URDF/USD）、观测空间（Observations）和动作空间（Actions）。
3. 编写奖励函数（Reward Functions）。

参考官方 Tutorials 获取分步指南。

---

更多资源:

• 完整文档
• 可用环境列表
• 技术论文 (arXiv)