为机械臂构建一个基于PPO训练、ROS2工作流以及仿真到现实的具身AI研究的Isaac Lab RL抓取系统

如何在 Isaac Lab 中构建机器人臂 RL RL 抓取系统 | NEROERO 手臂

本项目提出了一种基于Nero机械臂SO-ARM101和NVIDIA Isaac Lab的具身AI操作强化学习工作流。该框架以仿真驱动为核心，用于训练和评估机器人操作策略，重点在于为系统实现从仿真到现实的迁移做好准备。

1. 项目设置与环境准备

1.11 安装 Isaac Lab

请按照官方指南安装 Isaac Lab：

• Isaac Lab Lab Lab 管道安装指南

我们使用基于 pip 的安装方法(推荐)。

环境：

•虚拟环境 Conda

•Python 开发环境

•NVIDIA Isaac Lab

•Nero机械臂项目依赖项

1.22 安装 uv uv 包管理器

该项目使用 uv 作为 Python Python 包管理器。

作为一款快速的下一代工具，uv 提供了：

•更快的软件包安装

•高效的依赖解析

•内置虚拟环境管理

与 pip 等传统工具相比，uvuv 可简化设置，并减少基于 Python 的机器人和具身人工智能工作流中的环境问题。

首先，使用单个命令安装 uv：

安装后，请重启终端或运行以下命令以激活 uv uv uv 环境：

1.33 克隆仓库并安装依赖项

接下来，克隆项目仓库，进入项目目录，然后使用 `uv``` 命令一次性安装所有所需依赖：

uv 会自动创建虚拟环境并安装所有必要的依赖包。整个过程通常只需几分钟，比传统的 pip pip 安装流程快得多。

2. 环境验证

为了验证任务设置，我们首先确认 Nero 机械臂和 Piper Piper 所需的仿真环境已正确注册：

预期输出应包含 Isaac-Nero-Reach-v0 和 Isaac-Piper-Reach-v0，以确认环境已成功安装。

接下来，使用无动作代理运行模拟测试，以验证环境执行情况，并确保机器人控制流程按预期工作：

如果仿真窗口启动且机械臂按预期运行，即可确认环境已就绪。

3. 项目文件结构

该目录结构清晰地展示了项目的组织架构，便于扩展新的使用场景，例如Nero机械臂示例。

4. 下载URDF模型

本项目使用了 agx_arm_urdf 仓库中的 Nero URDFDF 模型。克隆该仓库后，将 Nero Nero 目录复制到 isaac_so_arm101 项目的 robots 文件夹中：

模型复制完成后，需修改 nero_description.urdf 文件，使其与 Isaac Lab Lab 兼容。由于原始 URDF 使用的是 ROS ROS ROS 风格的包路径，因此这些引用必须转换为相对路径，以便正确解析链接和网格文件。以下为 base_link_link 配置示例。

编辑前

编辑后

5.配置 Isaac 实验文件

步骤1：导入URDF模型

修改URDF文件后，需要编写一个Python脚本来导入URDF模型，并配置机械臂的电机属性，包括刚度、阻尼及其他相关参数。

此脚本通常放置在：

src/isaac_so_arm101/robots/nero/nero.py

该文件的内容如下：

接下来，创建一个 __init__.py 文件，将该目录初始化为一个 Python Python 模块。

步骤2. 创建任务配置文件

在 tasks/liftift 目录中，创建以下文件：

•nero_joint_pos_env_cfg.py

•nero_lift_env_cfg.py

nero_joint_pos_env_cfg.py 文件定义了关节位置控制的环境配置，包括可控制的关节、机器人末端执行器连杆以及基本任务参数。

nero_lift_env_cfg.py 文件提供了升降任务的基础环境配置。它指定了任务奖励、惩罚、策略设置、目标点位置和方块位置，这些共同定义了环境的行为和目标。

然后，需要将“nero reach”任务注册到 src/isaac_so_arm101/tasks/reach/__init__.py 中。

6. 以赛亚实验室培训与评估流程

首先，激活 Condadada 环境：

然后切换到项目目录：

以无头模式启动 Isaac-Nero-Lift-Cube-v0 任务，以减少 GPU 和显示开销：

如果您的硬件足够强大，还可以启用可视化功能进行训练，直接观察学习过程：

该任务已训练1000次迭代。训练完成后，使用以下命令评估所学习的策略：

该工作流程还可扩展至更复杂的操作场景，包括多对象抓取和避障，其中Nero机械臂可作为从模拟到现实的迁移目标。

本文编译自hackster.io