mjlab

La API de Isaac Lab sobre MuJoCo Warp acelerado por GPU, para RL e investigación en robótica

Licencia

Apache-2.0

Resumen

mjlab combina la API de entornos basada en gestores de Isaac Lab con MuJoCo Warp, la version acelerada por GPU de MuJoCo. El framework ofrece bloques de construccion componibles para diseno de entornos con dependencias minimas y acceso directo a las estructuras de datos nativas de MuJoCo, dirigido a aprendizaje por refuerzo e investigacion en robotica. Mantenido activamente por la organizacion mujocolab con CI en GitHub Actions, benchmarks nocturnos, distribucion en PyPI y un zoo de modelos creciente para humanoides (Unitree G1, Booster T1) y cuadrupedos (Unitree Go1).

mjlab es un framework de investigacion que envuelve MuJoCo Warp -- el backend MuJoCo acelerado por GPU de Google DeepMind -- en la API de entornos basada en gestores popularizada por NVIDIA Isaac Lab. El resultado es una sola biblioteca Python donde los investigadores describen robot, escena, observaciones, recompensas, aleatorizaciones y curriculum como gestores componibles, y entrenan politicas con miles de entornos paralelos por GPU.

El proyecto incluye tareas listas para entrenar para seguimiento de velocidad humanoide (Unitree G1, Booster T1) y locomocion cuadrupeda (Unitree Go1) en terreno plano y rugoso, ademas de seguimiento de movimiento desde datos CMU MoCap. Soporta entrenamiento distribuido en multiples GPUs de fabrica, evaluacion durante el entrenamiento (tomando el ultimo checkpoint desde Weights & Biases), y exportacion de politicas para reproducirlas en simulaciones MuJoCo independientes.

A diferencia de Isaac Lab -- que depende de Isaac Sim y la pila NVIDIA RTX -- mjlab mantiene dependencias minimas y expone directamente las estructuras MuJoCo nativas, facilitando la integracion con codigo de investigacion MuJoCo existente y la ejecucion en cualquier GPU CUDA. Se publica en PyPI, tiene benchmarks nocturnos y es mantenido activamente por la organizacion mujocolab.

Por qué importa

La API basada en gestores de Isaac Lab se ha convertido en el estandar de facto para RL paralelo a gran escala en tareas de robotica, pero esta atada a NVIDIA Isaac Sim. mjlab lleva la misma API ergonomica al ecosistema MuJoCo de codigo abierto, eliminando el bloqueo a Isaac Sim y haciendo que el RL paralelo en GPU sea accesible para cualquier equipo ya invertido en MuJoCo o que usa hardware no-RTX.

Qué problema resuelve

Investigadores que querian la API basada en gestores de Isaac Lab tenian que comprometerse con NVIDIA Isaac Sim, que es pesado, atado a RTX y lejano del ecosistema MuJoCo existente. mjlab brinda la misma ergonomia sobre MuJoCo Warp, para que equipos ya familiarizados con MuJoCo (o en GPUs CUDA estandar) puedan adoptar los mismos patrones sin cambiar de simulador.

Puntos clave

• Reutiliza la API de entornos basada en gestores de Isaac Lab pero corre sobre MuJoCo Warp acelerado por GPU en lugar de Isaac Sim
• Incluye tareas de entrenamiento para humanoides Unitree G1 / Booster T1, cuadrupedo Unitree Go1 y seguimiento de movimiento CMU MoCap
• Entrenamiento multi-GPU nativo, demo zero-install via uvx, paquete PyPI, notebook Google Colab
• Licencia Apache-2.0, mantenimiento activo (2.200+ estrellas, benchmarks nocturnos, CI)
• Acceso directo a estructuras de datos MuJoCo facilita la integracion con codigo de investigacion MuJoCo existente

Para quién es

• Investigadores RL que entrenan locomocion humanoide y cuadrupeda a gran escala
• Laboratorios de robotica ya invertidos en MuJoCo que quieren la ergonomia estilo Isaac Lab
• Equipos sim-to-real que necesitan simulacion ligera y scriptable con seguimiento de movimiento CMU MoCap
• Ingenieros con hardware CUDA no-RTX que no pueden usar Isaac Sim

Limitaciones

• Requiere una GPU NVIDIA para entrenar; macOS solo para evaluacion
• Mas joven que Isaac Lab -- el ecosistema de tareas pre-construidas es aun pequeno (foco en locomocion humanoide y cuadrupeda)
• Atado a MuJoCo Warp, que es relativamente nuevo y aun tiene huecos de funciones frente al MuJoCo clasico
• Sin pila de vision/percepcion incorporada -- combina mejor con politicas que consumen estado propioceptivo