NVIDIA Isaac Lab可用环境与强化学习脚本使用指南-电子发烧友网

NVIDIA Isaac Sim是一款基于 NVIDIA Omniverse 构建的参考应用，使开发者能够在基于物理的虚拟环境中模拟和测试 AI 驱动的机器人开发解决方案。NVIDIA Isaac Lab是一个适用于机器人学习的开源模块化框架，其模块化高保真仿真适用于各种训练环境，Isaac Lab 同时支持模仿学习（模仿人类）和强化学习（在尝试和错误中进行学习），为所有机器人具身提供了灵活的训练方法。它能够为各种训练场景提供用户友好的环境，帮助增加或更新机器人技能。

在上一篇的机器人仿真教程里，我们教大家如何安装 Isaac Sim 4.5.0 以及 Isaac Lab 2.0，本篇教程将带大家了解Isaac Lab 2.0 的可用环境以及如何使用强化学习脚本进行配置。

一、Isaac Sim 预置资产库

Isaac Sim 中提供了丰富的预置资产库，这些资产是构建机器人仿真场景的基石。所有资产均经过物理属性优化，可直接用于高精度仿真。

我们可以在 Isaac Sim 窗口下方的“Isaac Sim Assets[Beta]”菜单栏进行查看，资产会在线加载并提供预览。

二、Isaac Lab 强化学习环境

Isaac Lab 提供了开箱即用的强化学习环境，可与 Isaac Sim 资产库深度集成。

Single-agent 环境列表

首先，在 Isaac Lab 文件夹运行以下脚本，将会列出最新的可用环境列表。

./isaaclab.sh -p scripts/environments/list_envs.py

Isaac Lab 提供 7 类强化学习环境，涵盖从基础控制到复杂工业场景的全方位需求：

2025 丽台（上海）信息科技有限公司

本图表由丽台科技制作，如果您有任何疑问或需要使用，

请联系丽台科技

Comprehensive List of Environments

Comprehensive List of Environments 是 Isaac Lab 环境与推理任务的官方对照表，主要解决以下问题：

训练与推理环境分离：部分环境在训练和推理阶段需要不同的配置（如关闭随机扰动、固定目标位置等）

框架兼容性指引：明确每个环境支持的强化学习框架（RL-Games/RSL-RL/SKRL/SB3）及推荐算法

版本控制：确保训练完成的模型能够无缝部署到推理环境

具体每个类别所对应的环境 ID 可以在官网详细获取：

https://isaac-sim.github.io/IsaacLab/main/source/overview/environments.html

（复制链接至浏览器打开）

三、Isaac Lab 强化学习脚本实操

Isaac Lab 提供 30 多个即用型训练环境，支持 RL-Games、RSL-RL、SKRL 和 Stable-Baselines3 等主流强化学习框架，同时支持多智能体强化学习。

提示：

以上强化学习框架均已在安装 Isaac Lab 时一并安装，如果只想安装特定框架，可以将框架的名称作为参数传递。比如：

./isaaclab.sh -i rl_games

./isaaclab.sh -i rsl_rl

./isaaclab.sh -i skrl

./isaaclab.sh -i sb3

基本流程

1. 关键参数说明：

--headless：不进行渲染显示，显卡性能集中提升训练速度

--num_envs：根据 GPU 显存调整（NVIDIA RTX 5880 Ada 建议 128）

--video_length：控制视频时长（默认 200 帧）

2. 所有强化学习框架在 Isaac Lab 中遵循标准化命令格式：

# 1安装框架依赖 
./isaaclab.sh -i {框架名} 


# 2启动训练任务 
./isaaclab.sh -p scripts/reinforcement_learning/{框架名}/train.py  
  --task {环境ID}  
  --headless      # 无GUI模式 
  --num_envs {并行数} # 建议值：32-128 


# 3模型验证与可视化 
./isaaclab.sh -p scripts/reinforcement_learning/{框架名}/play.py  
  --task {推理环境ID} # 使用Inference Task Name 
  --checkpoint /path/to/model  
  --video       # 录制视频（需ffmpeg）


# 4使用TensorBoard监控与日志分析
./isaaclab.sh -p -m tensorboard.main --logdir=logs

实操演示

我们本次以 Isaac-Velocity-Rough-G1-v0 为例运行 Demo，通过 Comprehensive List of Environments 可以查询到该环境支持 rsl_rl (PPO)、skrl (PPO) 框架。

1. 使用 RSL-RL 进行训练：

./isaaclab.sh-pscripts/reinforcement_learning/rsl_rl/train.py
--tasklsaac-Velocity-Rough-G1-v0 
--headless
--numenvs128
--maxiterations100
--experimentname g1 rough

2. 进行实时渲染测试查看效果：

./isaaclab.sh-pscripts/reinforcement_learning/rsl_rl/play.py
--taskIsaac-Velocity-Rough-G1-Play-v0
--checkpointlogs/rsl_rl/g1_rough/2025-07-01_16-08-48/model_99.pt
--real-time
--num_envs4

3. 使用 TensorBoard 监控与日志分析：

./isaaclab.sh -p -m tensorboard.main --logdir=logs

4. 最后还可以进行视频录制，具体命令参数如下：

./isaaclab.sh-pscripts/reinforcement_learning/rsl_rl/play.py 
--taskIsaac-Velocity-Rough-G1-Play-v0 
--checkpointlogs/rsl_rl/g1_rough/2025-07-01_16-08-48/model_99.pt 
--headless
--video
--video_length500

5. 录制完成后可在对应 log 目录下查看：