Open Source Robotics

Eine kuratierte Sammlung hochwertiger Open-Source-Robotikprojekte, Werkzeuge und Software für die Robotik-Community.

Isaac Lab-Arena

NVIDIAs offenes Framework, um Roboter-Benchmarks zu bauen und Policies breit zu testen

Lizenz

Apache 2.0 (läuft auf Isaac Sim, das proprietäre Teile hat)

Code: Apache-2.0, laut LICENSE.md. GitHub zeigt keine Lizenz an, weil die Datei mit einer Markdown-Überschrift beginnt. Benötigte Laufzeitumgebung: Isaac Sim, das Komponenten unter NVIDIAs proprietärer Omniverse-Lizenz enthält; dessen EULA muss akzeptiert werden, um Arena auszuführen. Modelle und Benchmarks, die mit Arena genutzt werden, etwa GR00T, π0.5 oder Aufgabensammlungen Dritter, behalten ihre eigenen Lizenzen. Geprüft am 2026-11-06 anhand von LICENSE.md und dem README.

Überblick

Isaac Lab-Arena ist ein Open-Source-Framework von NVIDIA, mit dem man Roboter-Benchmarks in der Simulation baut und Policies darin in großem Maßstab evaluiert. Es erweitert Isaac Lab: Eine Umgebung wird aus einer Szene, einem Roboter-Embodiment und einer Aufgabe zusammengesetzt, sodass sich eine Aufgabe ohne neuen Code für andere Roboter, Objekte und Umgebungen wiederverwenden lässt. Eine Policy kann in Tausenden parallelen Umgebungen auf einer GPU laufen oder auf mehrere Rechner verteilt werden, und die Ergebnisse zeigen, an welchem Schritt einer Aufgabe eine Policy scheitert und auf welche Bedingungen sie empfindlich reagiert. Die Software ist im Alpha-Stadium, aktuelle Release-Linie ist 0.3.1, und veröffentlichte Benchmarks wie RoboDojo, RoboTwin 2.0 und die RoboCasa- und LIBERO-Aufgabensammlungen von Lightwheel laufen bereits darauf.

Isaac Lab-Arena ist NVIDIAs Framework, um Simulations-Benchmarks zu bauen und Roboter-Policies darin zu evaluieren, geschrieben als Erweiterung von Isaac Lab auf Isaac Sim. Statt einer eigenen Konfiguration für jede Kombination aus Roboter, Objekt und Umgebung setzt man eine Umgebung aus drei unabhängigen Teilen zusammen: einer Szene mit ihren Objekten und Möbeln, einem Embodiment (dem Roboter mit seinen Sensoren, Beobachtungen und Aktionen) und einer Aufgabe (was der Roboter tun soll und wie Erfolg bewertet wird). Arena fügt sie zu einer normalen Isaac-Lab-Umgebung zusammen; eine Aufgabe von einem Franka-Arm auf einen Humanoiden oder von einer Küche an einen Packtisch zu verlegen, heißt also, einen Baustein auszutauschen. Objekte werden über Relationen wie auf und neben platziert statt über Koordinaten, kurze Fähigkeiten lassen sich zu langen Aufgaben verketten, und ein Variationssystem macht aus einer Umgebung eine Versuchsreihe über Beleuchtung, Hintergründe, Kameraparameter und Objektmasse, eine kontrollierte Form der Domain Randomization. Ein experimenteller Agent macht aus einer Aufgabenbeschreibung in normaler Sprache eine bearbeitbare Umgebungsspezifikation aus SimReady-Assets.

Bei der Evaluierung läuft eine Policy in Tausenden Umgebungen auf einer GPU, und diese Umgebungen können unterschiedliche Objekte enthalten. Experimente, die mehrere Aufgaben und Policies kombinieren, laufen lokal oder mit OSMO über mehrere Knoten. Policies laufen hinter einem Server und sprechen über eine einzige Schnittstelle für Beobachtungen und Aktionen mit Arena: Das Repository enthält Integrationen für GR00T, π0.5 von OpenPI und DreamZero, und andere Modelle werden auf dieselbe Weise angebunden. Die Ergebnisse kommen als Gesamt- und Pro-Episode-Metriken zurück. Teilaufgaben-Prädikate halten fest, wie weit jeder Rollout kam (greifen, anheben, transportieren, ablegen), und eine Sensitivitätsanalyse zeigt, unter welchen Bedingungen eine Policy versagt. Newton kann PhysX als Physik-Backend ersetzen, für verformbare und kontaktreiche Aufgaben wie das Einsetzen von Zahnrädern.

In NVIDIAs Einführungsbeitrag dauerte die Evaluierung von GR00T N1.5 auf 10 RoboCasa-Aufgaben mit 4.096 Umgebungsvarianten pro Aufgabe parallel auf 8 GPUs 0,76 Stunden, gegenüber 34,9 Stunden nacheinander im selben Framework, etwa 40-mal schneller. Ein vorläufiger Test in der Dokumentation maß 2.390 Umgebungsschritte pro Sekunde mit 1.024 parallelen Umgebungen auf einer RTX 5880 Ada GPU, ohne Kameras.

Benchmarks liegen in den Repositorys ihrer Autoren und laufen auf Arena. Das README nennt die Aufgabensammlungen von Lightwheel, adaptiert aus RoboCasa und LIBERO, RoboTwin 2.0, die RHEO-Workflows von Isaac for Healthcare, VABAR, DexBench und RoboDojo. NVIDIA hat RoboDojo auf Arena angekündigt, mit beidhändigen Aufgaben wie präzisem Einsetzen, Falten und Werkzeuggebrauch; der Arena-Branch von RoboDojo führt 54 Aufgaben auf dem zweiarmigen X5 von ARX aus. Arena selbst bringt einen Kitchen Benchmark mit 31 DROID-Manipulationsaufgaben und Aufgaben nach dem Vorbild von RoboLab mit, aufgeführt in den Beispielumgebungen. Arena-Umgebungen lassen sich außerdem im Environment Hub von LeRobot teilen und mit dem Evaluierungsbefehl von LeRobot auswerten, wie der Beitrag von Hugging Face mit SmolVLA zeigt.

Warum es wichtig ist

Generalistische Policies wie Vision-Language-Action-Modelle werden daran gemessen, wie sie sich über viele Aufgaben, Roboter und Bedingungen hinweg halten, und das auf echter Hardware zu testen ist langsam, teuer und schwer zu wiederholen. Die Simulation ist die günstige erste Prüfung, doch Benchmarks bringen meist ihre eigenen Umgebungen, Skripte und Runner mit, sodass man für eine Policy auf mehreren Benchmarks mehrere getrennte Setups braucht. Arena stellt sie auf einen gemeinsamen Kern: Benchmark-Autoren nutzen dieselben Szenen, Roboter und Metriken, und ein Policy-Team kann alle über einen einzigen Client ausführen. Die Prädikat- und Sensitivitätswerkzeuge beantworten zudem, was eine einzelne Erfolgsquote verschweigt: an welchem Schritt eine Policy scheiterte und unter welchen Bedingungen. Unser Katalog führt weitere Evaluierungswerkzeuge, SimplerEnv und Inspect Robots. Arena ist das Werkzeug, das dafür gebaut ist, neue Benchmarks zu erstellen und im GPU-Maßstab auszuführen, und es ist die Basis, auf der RoboDojo, RoboTwin und Lightwheel aufbauen und die der Environment Hub von LeRobot unterstützt.

Welches Problem es löst

Eine generalistische Roboter-Policy gründlich zu evaluieren heißt, sie auf vielen Aufgaben, Robotern, Objekten und Bedingungen laufen zu lassen. In der Simulation bedeutet das meist eine handgeschriebene Umgebung samt Runner für jede Kombination, mit Rollouts, die nacheinander laufen. Arena ersetzt das durch wiederverwendbare Bausteine, parallele Evaluierung auf der GPU und gemeinsame Metriken: Ein Benchmark wird einmal geschrieben, per Konfiguration variiert und in großem Maßstab ausgeführt, und verschiedene Benchmarks laufen über dieselbe Policy-Schnittstelle.

Wichtigste Punkte

  • Umgebungen werden aus getrennten Bausteinen für Szene, Embodiment und Aufgabe zusammengesetzt und ergeben normale Isaac-Lab-Umgebungen
  • Führt eine Policy in Tausenden parallelen Umgebungen auf einer GPU aus oder mit OSMO über mehrere Rechner
  • Policies laufen hinter einem Server mit einer einzigen Schnittstelle; Integrationen für GR00T, π0.5 und DreamZero sind dabei
  • Teilaufgaben-Fortschritt und Sensitivitätsanalyse zeigen, wo eine Policy scheitert und unter welchen Bedingungen
  • Zu den darauf gebauten veröffentlichten Benchmarks gehören RoboDojo, RoboTwin 2.0 und die RoboCasa- und LIBERO-Aufgabensammlungen von Lightwheel
  • Alpha-Software: Die APIs ändern sich zwischen Releases, und NVIDIA rät vom Einsatz in der Produktion ab

Für wen

  • Teams, die Vision-Language-Action- oder andere generalistische Policies trainieren und eine wiederholbare Evaluierung über viele Aufgaben brauchen
  • Benchmark-Autoren, die Aufgaben veröffentlichen wollen, die andere ausführen können, ohne Szenen, Roboter und Metriken neu zu bauen
  • Nutzer von Isaac Lab, die Evaluierung, kontrollierte Variationen und Fehleranalyse zusätzlich zu ihren Umgebungen wollen
  • Nutzer von LeRobot, die Simulationsumgebungen über den Environment Hub teilen wollen

Einschränkungen

  • Alpha-Software (Version 0.3): Öffentliche APIs ändern sich ohne Deprecation-Warnungen, und NVIDIA rät vom Einsatz in der Produktion ab
  • Nur Linux (Ubuntu 22.04 oder neuer), mit einer NVIDIA-GPU, die die Hardwareanforderungen von Isaac Sim erfüllt
  • Läuft auf Isaac Sim, das Komponenten unter proprietären Lizenzbedingungen von NVIDIA enthält; der gesamte Stack ist also nicht Open Source
  • An NVIDIAs Stack gebunden: Jede Umgebung ist eine Isaac-Lab-Umgebung, daher laufen auf Arena gebaute Benchmarks nur dort
  • Versionen sind Release-Branches statt getaggter GitHub-Releases, und jede legt bestimmte Versionen von Isaac Lab und Isaac Sim fest
  • Die agentische Umgebungserzeugung ist als experimentell gekennzeichnet, ihre Agenten und ihr Aufbau können sich ändern

Diese Website benötigt JavaScript. Bitte aktivieren Sie JavaScript, um unsere Open-Source-Robotikprojekte zu erkunden.