Isaac Lab Kit-less 安装指南:无需 Isaac Sim,用 Newton 物理后端快速上手

原创2026-09-16 14:00:082,300 阅读
文章标签:机器人强化学习具身智能物理引擎人工智能深度学习机器学习3D渲染分布式训练

Isaac Lab Kit-less 安装指南:无需 Isaac Sim,用 Newton 物理后端快速上手

本篇指南围绕 Isaac Lab 3.0 引入的 kit-less 安装模式展开,讲解如何在不安装 Isaac Sim 的情况下,仅凭 Newton 物理后端(含 MuJoCo-Warp 求解器)完成 Isaac Lab 的安装、环境准备与强化学习训练。读完本文,你将掌握从克隆仓库、创建 Python 虚拟环境、选择性安装,到用一条命令启动 MJWarp 物理仿真与 Newton 可视化训练的完整流程。

什么是 Kit-less 模式

传统上,Isaac Lab 依赖 Isaac Sim(基于 Omniverse Kit)提供物理仿真与渲染能力。Kit-less(无 Kit)模式则完全不同:它完全绕开 Isaac Sim,只使用 Newton 物理后端 运行仿真。这是 安装文档 明确指出的"上手最快的方式",特别适合只需要 Newton 物理仿真能力的用户。

在 本地安装总览 的方法对比表中,Kit-less 被标记为 beta 阶段,定位是"仅 Newton、最快启动",难度等级为"最容易":

安装方式 Isaac Sim Isaac Lab 适用场景 难度
Kit-less(beta) 不需要 源码(git) 仅需 Newton,最快上手 最容易
Pip(uv)推荐 pip 安装 源码(git) 大多数用户,功能完整 简单
二进制 + 源码 二进制下载 源码(git) 偏好二进制安装的用户 简单
全源码构建 源码(git) 源码(git) 同时修改 Isaac Sim 的开发者 高级

克隆 Isaac Lab 仓库

首先将仓库克隆到本地。这一步与普通源码安装方式相同,克隆完成后仓库根目录下会出现 isaaclab.sh(Linux/macOS)与 isaaclab.bat(Windows)两个 CLI 入口脚本。

克隆完成后,进入仓库目录,准备 Python 虚拟环境。

准备 Python 虚拟环境

官方强烈建议为 Isaac Lab 创建独立的 Python 虚拟环境,理由包括:避免与系统 Python 或其他项目冲突、隔离依赖、便于管理多套环境、提升可复现性。

Python 版本要求

虚拟环境的 Python 版本必须与 Isaac Sim 的 Python 版本一致:Isaac Sim 6.X 要求 Python 3.12,使用其他版本会在运行 Isaac Lab 时报错。虽然 kit-less 模式不安装 Isaac Sim,但该约束仍然生效。

方式一:uv 环境(推荐)

官方推荐使用 uv 作为包管理器,理由是它比 pip 和 conda 在创建环境与解析依赖上显著更快:

# 创建名为 env_isaaclab、带 Python 3.12 和 pip 的虚拟环境
uv venv --python 3.12 --seed env_isaaclab
# 激活虚拟环境
source env_isaaclab/bin/activate

Windows 下激活命令为 env_isaaclab\Scripts\activate。注意 --seed 标志保证 uv 虚拟环境内带有 pip,这是 Isaac Lab 安装器所必需的。

方式二:Conda 环境

如果习惯使用 conda(官方建议轻量的 Miniconda):

conda create -n env_isaaclab python=3.12
conda activate env_isaaclab

更新 pip

进入虚拟环境后,先确保 pip 是最新版本:

uv pip install --upgrade pip

如果直接使用 pip 而非 uv pip,将上面命令中的 uv pip 替换为 pip(Windows 下也可用 python -m pip),本文后续命令同理。

安装 Isaac Lab(Newton 后端,无需 Isaac Sim)

虚拟环境激活后,执行安装与训练命令。Linux/macOS 与 Windows 命令一一对应:

Linux

# 安装 Isaac Lab(Newton 后端,无需 Isaac Sim)
./isaaclab.sh --install   # 等价于 ./isaaclab.sh -i

# 使用 MJWarp 物理与 Newton 可视化器启动训练
./isaaclab.sh train --rl_library rsl_rl \
--task=Isaac-Cartpole-Direct-v0 \
--num_envs=16 --max_iterations=10 \
physics=newton_mjwarp --visualizer newton

Windows

:: 安装 Isaac Lab(Newton 后端,无需 Isaac Sim)
isaaclab.bat --install    :: 或 isaaclab.bat -i

:: 使用 MJWarp 物理与 Newton 可视化器启动训练
isaaclab.bat train --rl_library rsl_rl ^
--task=Isaac-Cartpole-Direct-v0 ^
--num_envs=16 --max_iterations=10 ^
physics=newton_mjwarp --visualizer newton

安装脚本的工作原理

从 isaaclab.sh 的源码可以看到,脚本本身并不直接执行安装逻辑,而是做三件事:定位 Python 解释器(依次检查 $VIRTUAL_ENV、$CONDA_PREFIX、仓库内 env_isaaclab、_isaac_sim,最后回退到系统 python3)、把 source/isaaclab 加入 PYTHONPATH,然后执行:

exec "$python_exe" -c "from isaaclab.cli import cli; cli()" "$@"

也就是说,./isaaclab.sh -i 最终调用的是 isaaclab.cli 模块 中 command_install 函数。而 train 子命令则会调用统一的强化学习训练入口 scripts/reinforcement_learning/train.py,后者通过 LIBRARY_ENTRYPOINTS 字典把 --rl_library 参数映射到对应的训练脚本(rsl_rl、skrl、sb3、rl_games、rlinf)。

训练命令参数解析

上述训练命令中的参数可在 scripts/reinforcement_learning/common.py 中找到定义:

  • --rl_library rsl_rl:选择强化学习库,此处为 RSL-RL(另有 skrl、sb3、rl_games、rlinf 可选);
  • --task=Isaac-Cartpole-Direct-v0:指定直接式(direct)Cartpole 任务;
  • --num_envs=16:并行仿真环境数量(默认由任务配置决定,命令行可覆盖 env_cfg.scene.num_envs);
  • --max_iterations=10:RL 策略训练迭代次数上限;
  • physics=newton_mjwarp:Hydra 风格的物理后端覆盖,选择 Newton 的 MuJoCo-Warp 求解器预设;
  • --visualizer newton:启用 Newton 可视化后端。

值得注意的是 --visualizer 的取值集合。在 app_launcher.py 中,合法的可视化后端包括 rerun、newton、viser、kit、none,且支持逗号分隔组合(例如 --viz rerun,newton,viser)。在 kit-less 模式下应使用 newton(Kit 可视化器依赖 Isaac Sim,见下文功能清单)。

Kit-less 模式的功能边界

可用功能(Newton 后端,无 Isaac Sim)

  • Newton 物理仿真(GPU 加速,包含 MuJoCo-Warp 求解器);
  • 所有支持 Newton 的 manager-based 与 direct RL 环境;
  • 使用 SKRL、RSL-RL 及其他框架进行 RL 训练;
  • 与 Newton 兼容的机器人资产;
  • ovphysx 与 ovrtx 后端。

需要 Isaac Sim 的功能

  • Isaac Sim PhysX 物理后端(非 ovphysx);
  • Isaac Sim RTX 渲染(非 ovrtx);
  • Kit 可视化器;
  • URDF 与 MJCF 导入器(基于 GUI);
  • Surface gripper(仅 Isaac Sim PhysX);
  • PhysX 可变形体仿真(仅 Isaac Sim PhysX);
  • 遥操作与模仿学习工作流。

如果需要上述能力,请改用 pip 安装方式 先安装 Isaac Sim pip 包,再安装 Isaac Lab 源码。

MJWarp 求解器:kit-less 模式的核心物理后端

训练命令中的 physics=newton_mjwarp 并不是魔法字符串。在任务配置中,每个支持 Newton 的任务都预定义了名为 newton_mjwarp 的物理预设。以 Cartpole 任务为例,cartpole_env_cfg.py 中定义了 CartpolePhysicsCfg,其中 newton_mjwarp 预设使用 NewtonCfg 配合 MJWarpSolverCfg:

newton_mjwarp: NewtonCfg = NewtonCfg(
    solver_cfg=MJWarpSolverCfg(
        njmax=5,
        nconmax=3,
        cone="pyramidal",
        impratio=1,
        integrator="implicitfast",
    ),
    num_substeps=1,
    debug_mode=False,
    use_cuda_graph=True,
)

在底层,MJWarpSolverCfg(定义于 mjwarp_manager_cfg.py)通过 class_type 指向 NewtonMJWarpManager(实现于 mjwarp_manager.py),后者负责构造 SolverMuJoCo 并管理接触缓冲区。该配置类提供了大量可调参数,核心选项包括:

参数 默认值 说明
solver_type "mujoco_warp" 求解器类型标识
njmax 300 每个环境(world)的约束数量上限
nconmax None 每个环境的接触点数量上限
iterations 100 求解器迭代次数
ls_iterations 50 求解器线搜索迭代次数
solver "newton" 求解算法,可选 "cg" 或 "newton"(或对应 MuJoCo 整数常量)
integrator "euler" 积分器,可选 "euler"、"rk4"、"implicitfast"(或对应 MuJoCo 常量)
use_mujoco_cpu False 是否改用纯 MuJoCo 后端而非 mujoco_warp
disable_contacts False 是否关闭 MuJoCo 中的接触计算
default_actuator_gear / actuator_gears None 执行器齿轮比设置与按关节覆盖
update_data_interval 1 从 Newton 状态更新 MuJoCo Data 对象的频率(仿真步数)
save_to_mjcf None 可选:将生成的 MJCF 模型保存到指定路径
impratio 1.0 摩擦与法向约束阻抗比
cone "pyramidal" 接触摩擦锥类型,可选 "pyramidal" 或 "elliptic"
ccd_iterations 35 凸碰撞检测(GJK/EPA)最大迭代次数,复杂碰撞几何(如多指手)出现相关告警时可调大
use_mujoco_contacts True 是否使用 MuJoCo 内部接触求解器;设为 False 时改用 Newton 的 CollisionPipeline(两者互斥,不可同时设置 collision_cfg)
tolerance 1e-6 约束残差收敛阈值(MuJoCo 默认 1e-8,Newton 默认 1e-6)

从源码注释可以看出,MJWarp 模式会把 Isaac Lab 中的物理量映射到 MuJoCo 语义(例如执行器摩擦损失映射到 MuJoCo Warp 的 dof_frictionloss,参见 articulation.py),并对四足、人形、灵巧手等任务都提供了 newton_mjwarp 预设(可参见 ant_env_cfg.py、humanoid_env_cfg.py、allegro_hand_env_cfg.py 等)。

模块化选择性安装

./isaaclab.sh -i(或 isaaclab.bat -i)总是安装全部核心源码包,额外的可选子模块与功能依赖则通过附加参数控制。完整的行为定义可参考 CLI 源码 与 安装命令实现。

默认行为

./isaaclab.sh --install、./isaaclab.sh -i 与 ./isaaclab.sh -i all 三者等价,会安装:

  • 核心包;
  • 可选子模块 mimic(含 isaaclab_teleop 与 isaaclab_mimic)与 teleop(仅 isaaclab_teleop,Linux x86_64);
  • 自动功能集 newton、rl、visualizer。

默认安装不包含 contrib 与 ov 运行时 wheel,也不安装 Isaac Sim pip 包,需要时须显式请求。

特殊取值

  • all:与默认行为相同;
  • core:仅核心包,不含可选子模块与额外功能依赖。

功能集令牌

令牌 安装内容
mimic isaaclab_teleop 与 isaaclab_mimic(模仿学习工具)
teleop 仅 isaaclab_teleop(Linux x86_64)
newton Newton 物理依赖,作用于 isaaclab_newton、isaaclab_physx、isaaclab_visualizers(不支持选择器)
rl[<框架>] isaaclab_rl 的 RL 框架 extras,选择器:rsl-rl、skrl、sb3、rl-games;省略选择器则安装全部框架
visualizer[<后端>] isaaclab_visualizers 的可视化后端 extras,选择器:rerun、viser、newton、kit;省略选择器则安装全部后端
contrib[<功能>] Contrib 运行时 extras,选择器:rlinf;裸 contrib 不安装额外依赖(源码包已属核心)
ov[<运行时>] OV 运行时 wheel,选择器:ovrtx、ovphysx、all;裸 ov 不安装额外依赖
isaacsim Isaac Sim pip 包(仅在未安装 Isaac Sim 时使用)

多个令牌用逗号拼接(方括号内的逗号会保留),未知令牌会发出警告并跳过。Linux/macOS 下包含方括号的选择器需要加引号。

典型组合示例

# 默认:核心 + 可选子模块 + newton/rl/visualizer 功能集
./isaaclab.sh -i

# Newton 物理 + RSL-RL(常见 kit-less 配置)
./isaaclab.sh -i 'newton,rl[rsl-rl]'

# Newton + OVRTX 渲染器 + RSL-RL + Newton 可视化器
./isaaclab.sh -i 'newton,ov[ovrtx],rl[rsl-rl],visualizer[newton]'

# Contrib rlinf 运行时依赖
./isaaclab.sh -i 'contrib[rlinf]'

Windows 下写法一致,仅将 ./isaaclab.sh -i 换为 isaaclab.bat -i,选择器建议用双引号包裹,例如 isaaclab.bat -i "newton,rl[rsl-rl]"。

从 install.py 的实现可以看到,newton 令牌会依次以 --editable 方式安装 isaaclab_newton[all]、isaaclab_physx[newton] 与 isaaclab_visualizers[newton],并附带 pyglet、PyOpenGL-accelerate、imgui-bundle、typing-extensions 等运行时依赖。这也是 kit-less 安装最关键的依赖来源。

系统要求与注意事项

结合 安装总览 中列出的要求,kit-less 安装同样需要注意:

  • 操作系统:Ubuntu 22.04(Linux x64)或 Windows 11(x64);Windows 支持仍在完善中,官方建议使用 Ubuntu 24.04 以获得最可靠的体验;
  • 内存:32 GB 或以上;
  • GPU 显存:16 GB 或以上(渲染工作流可能需要更多);
  • 驱动:使用最新的 NVIDIA 生产分支驱动(Linux 上建议 580.95.05 及以上);
  • 仓库已放弃对 Isaac Sim 5.1.0 及以下版本的支持,推荐使用最新的 Isaac Sim 6.0.1。

Kit-less 模式专注于 Newton 后端,因此在安装时无需下载庞大的 Isaac Sim 二进制包或 pip 包,这正是它"最快上手"的原因。当后续需要 PhysX、ROS、URDF/MJCF 导入器等完整仿真能力时,再通过 pip 安装指南 补装 Isaac Sim 即可平滑过渡。

小结

Kit-less 安装为仅需 Newton 物理后端的用户提供了一条最轻量的路径:克隆仓库 → 用 uv/conda 创建 Python 3.12 虚拟环境 → ./isaaclab.sh -i 选择性安装 → ./isaaclab.sh train 启动 MJWarp 物理 + Newton 可视化训练。安装器负责把 newton、rl<a href="https://link.gitcode.com/i/7c9423489d14bb82b0bac518a1b340ad" target="_blank">rsl-rl]、visualizer[newton] 等依赖正确装配到本地源码包上,而训练命令通过统一的 [train.py 入口配合 physics=newton_mjwarp 预设即可直接驱动 GPU 加速的 MuJoCo-Warp 求解器,为快速验证 RL 算法与机器人控制策略提供了开箱即用的环境。

登录后查看全文
IsaacLab