mjlab

API d'Isaac Lab au-dessus de MuJoCo Warp accéléré par GPU, pour l'apprentissage par renforcement et la recherche en robotique

Licence

Apache-2.0

Aperçu

mjlab associe l'API d'environnements à base de managers d'Isaac Lab à MuJoCo Warp, la version de MuJoCo accélérée par GPU. Le framework fournit des briques composables pour concevoir des environnements, avec un minimum de dépendances et un accès direct aux structures de données natives de MuJoCo, à destination de l'apprentissage par renforcement et de la recherche en robotique. Il est maintenu par l'organisation mujocolab, avec une CI GitHub Actions active, des benchmarks nocturnes, une distribution sur PyPI et une collection de modèles en croissance pour la locomotion humanoïde (Unitree G1, Booster T1) et quadrupède (Unitree Go1).

mjlab est un framework de recherche qui enveloppe MuJoCo Warp, le backend MuJoCo accéléré par GPU de Google DeepMind, dans l'API d'environnements à base de managers popularisée par NVIDIA Isaac Lab. Le résultat est une bibliothèque Python unique dans laquelle les chercheurs décrivent le robot, la scène, les observations, les récompenses, les randomisations et les curriculums sous forme de managers composables, puis entraînent des politiques sur des milliers d'environnements parallèles par GPU.

Le projet fournit des tâches prêtes à l'entraînement pour le suivi de vitesse d'humanoïdes (Unitree G1, Booster T1) et la locomotion quadrupède (Unitree Go1) sur terrain plat et accidenté, ainsi que le suivi de mouvements à partir des données CMU MoCap. L'entraînement distribué sur plusieurs GPU est pris en charge d'origine, l'évaluation peut tourner pendant l'entraînement (en récupérant le dernier checkpoint depuis Weights & Biases), et les politiques peuvent être exportées et rejouées dans des simulations MuJoCo autonomes.

Contrairement à Isaac Lab proprement dit, qui dépend d'Isaac Sim et de la pile NVIDIA RTX, mjlab limite ses dépendances au minimum et expose directement les structures de données natives de MuJoCo, ce qui facilite son intégration dans du code de recherche MuJoCo existant et son exécution sur n'importe quel GPU CUDA. Il est publié sur PyPI, dispose de benchmarks nocturnes et est activement maintenu par l'organisation mujocolab.

Pourquoi c'est important

L'API à base de managers d'Isaac Lab est devenue le standard de fait pour l'apprentissage par renforcement massivement parallèle sur des tâches robotiques, mais elle est liée à NVIDIA Isaac Sim. mjlab apporte la même API ergonomique à l'écosystème open source MuJoCo, supprime la dépendance à Isaac Sim et rend l'apprentissage par renforcement rapide et parallélisé sur GPU accessible à toute équipe déjà investie dans MuJoCo ou équipée de matériel non RTX.

Le problème résolu

Les chercheurs qui voulaient l'API claire à base de managers d'Isaac Lab devaient s'engager sur NVIDIA Isaac Sim, lourd, réservé aux cartes RTX et éloigné de l'écosystème de recherche MuJoCo existant. mjlab offre la même ergonomie au-dessus de MuJoCo Warp, si bien que les équipes déjà à l'aise avec MuJoCo (ou équipées de GPU CUDA grand public) peuvent adopter les mêmes façons d'écrire leurs environnements sans changer de simulateur.

Points clés

• Reprend l'API d'environnements à base de managers d'Isaac Lab, mais s'exécute sur MuJoCo Warp accéléré par GPU au lieu d'Isaac Sim
• Fournit des tâches d'entraînement pour les humanoïdes Unitree G1 / Booster T1 et le quadrupède Unitree Go1, ainsi que le suivi de mouvements CMU MoCap
• Entraînement multi-GPU natif, démo sans installation via uvx, paquet PyPI, notebook Google Colab
• Sous licence Apache-2.0, activement maintenu (plus de 2 200 étoiles, benchmarks nocturnes, CI)
• L'accès direct aux structures de données de MuJoCo simplifie l'intégration avec le code de recherche MuJoCo existant

Pour qui

• Chercheurs en apprentissage par renforcement qui entraînent à grande échelle la locomotion d'humanoïdes et de quadrupèdes
• Laboratoires de robotique déjà investis dans MuJoCo qui veulent l'ergonomie d'Isaac Lab
• Équipes de transfert simulation-réel qui ont besoin d'une simulation légère et scriptable avec suivi de mouvements piloté par CMU MoCap
• Ingénieurs équipés de matériel CUDA non RTX qui ne peuvent pas utiliser Isaac Sim

Limites

• Nécessite un GPU NVIDIA pour l'entraînement ; macOS est limité à l'évaluation
• Projet plus jeune qu'Isaac Lab lui-même : l'écosystème de tâches prêtes à l'emploi reste restreint (centré sur la locomotion humanoïde et quadrupède)
• Lié à MuJoCo Warp, lui-même relativement récent et qui présente encore des lacunes fonctionnelles par rapport au MuJoCo classique
• Pas de pile vision/perception intégrée : convient surtout aux politiques qui exploitent l'état proprioceptif