5分钟搞定Genesis依赖安装:Ubuntu系统避坑指南
为什么选择Genesis?
Genesis是一个为通用机器人和具身AI学习设计的生成式物理引擎平台,支持刚性体、液体、气体、可变形物体等多种物理模拟,在Ubuntu系统下的高效部署是开展相关研究的基础。项目核心特性包括超430000倍实时速度的物理模拟、跨平台兼容性和照片级渲染能力,详细介绍可参考项目README。
系统环境准备
在开始安装前,请确保您的Ubuntu系统满足以下要求:
- 操作系统:Ubuntu 20.04 LTS或22.04 LTS
- Python版本:3.10-3.13(推荐3.10)
- 显卡要求:Nvidia GPU(推荐RTX 4090以获得最佳性能)或AMD GPU(需使用Vulkan后端)
基础系统依赖安装
首先安装系统级依赖,打开终端执行以下命令:
sudo apt update && sudo apt install -y \
build-essential \
libgl1-mesa-glx \
libglib2.0-0 \
libx11-dev \
libxext-dev \
libxcursor-dev \
libxrandr-dev \
libxinerama-dev \
libxi-dev \
libxxf86vm-dev \
libglfw3-dev \
libgles2-mesa-dev \
libopenexr-dev \
libfreetype6-dev \
git
这些依赖涵盖了图形渲染、字体处理和基础编译工具,是运行Genesis的基础。
Python环境配置
创建虚拟环境
推荐使用venv创建隔离的Python环境:
python3.10 -m venv genesis-env
source genesis-env/bin/activate
升级pip
确保pip版本最新以避免安装错误:
pip install --upgrade pip
PyTorch安装
Genesis依赖特定版本的PyTorch,根据您的CUDA版本选择合适的安装命令:
CUDA 12.1用户:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
CPU用户:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
更多安装选项可参考PyTorch官方文档。
Genesis核心依赖安装
通过PyPI安装(推荐)
对于普通用户,直接通过PyPI安装最新稳定版:
pip install genesis-world
开发版安装
如需贡献代码或体验最新特性,使用源码安装:
git clone https://gitcode.com/GitHub_Trending/genesi/Genesis.git
cd Genesis
pip install -e ".[dev]"
关键依赖说明
根据pyproject.toml定义,Genesis主要依赖包括:
- gstaichi==2.4.0:高性能计算后端
- numpy>=1.26.4:数值计算基础
- mujoco>=3.2.5:机器人仿真支持
- trimesh:网格处理库
- libigl:几何处理算法库
安装过程中会自动处理这些依赖,但建议监控安装日志以确保没有遗漏。
Docker安装方案(可选)
对于希望快速部署的用户,项目提供了Docker支持:
Nvidia GPU用户
docker build -t genesis -f docker/Dockerfile docker
xhost +local:root
docker run --gpus all --rm -it \
-e DISPLAY=$DISPLAY \
-v /tmp/.X11-unix/:/tmp/.X11-unix \
-v $(pwd):/workspace \
--name genesis genesis:latest
AMD GPU用户
使用专门的AMD Dockerfile:
docker build -t genesis-amd -f docker/Dockerfile.amdgpu docker
xhost +local:docker
docker run -it --network=host \
--device=/dev/kfd \
--device=/dev/dri \
--group-add=video \
-v $PWD:/workspace \
-e DISPLAY=$DISPLAY \
genesis-amd
Docker配置文件位于docker/目录,包含Nvidia和AMD显卡的支持配置。
验证安装
安装完成后,运行示例程序验证环境:
python examples/hello_genesis.py
成功运行将显示Genesis的logo和版本信息。您也可以尝试更复杂的示例,如机械臂仿真:
python examples/rigid/single_franka.py
常见问题解决
依赖冲突
如果遇到版本冲突,可创建新的虚拟环境并严格按照要求安装依赖版本。
图形渲染问题
- Nvidia用户确保安装了正确的CUDA驱动
- AMD用户需在初始化时指定Vulkan后端:
gs.init(vulkan)
编译错误
若源码安装时出现编译错误,检查是否安装了所有系统依赖:
sudo apt install -y cython3 libigl-dev
总结
本指南涵盖了Genesis在Ubuntu系统下的完整依赖安装流程,从系统准备到环境验证,帮助您快速搭建开发环境。项目依赖定义在pyproject.toml中,更多高级配置和优化可参考官方文档。
建议收藏本文以备后续环境迁移使用,如有安装问题可通过项目GitHub Issues获取支持。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
