Isaac Lab-Arena
Il framework aperto di NVIDIA per creare benchmark robotici e testare policy su larga scala
Licenza
Apache 2.0 (gira su Isaac Sim, che ha parti proprietarie)
Codice: Apache-2.0, secondo LICENSE.md. GitHub non mostra alcuna licenza perché il file si apre con un'intestazione Markdown. Runtime richiesto: Isaac Sim, che include componenti soggetti alla licenza proprietaria Omniverse di NVIDIA, e la sua EULA deve essere accettata per eseguire Arena. I modelli e i benchmark usati con Arena, come GR00T, π0.5 o suite di compiti di terze parti, mantengono le proprie licenze. Verificato il 2026-11-06 rispetto a LICENSE.md e al README.
Panoramica
Isaac Lab-Arena è un framework open source di NVIDIA per costruire benchmark robotici in simulazione e valutarvi le policy su larga scala. Estende Isaac Lab: un ambiente è composto da una scena, un embodiment robotico e un compito, così un compito può essere riutilizzato tra robot, oggetti e contesti senza nuovo codice. Una policy può essere eseguita su migliaia di ambienti paralleli su una GPU o distribuita su più macchine, e i risultati mostrano a quale passo di un compito una policy fallisce e a quali condizioni è sensibile. È software in versione alpha, con 0.3.1 come linea di release attuale, e benchmark pubblicati come RoboDojo, RoboTwin 2.0 e le suite di compiti RoboCasa e LIBERO di Lightwheel girano già su di esso.
Isaac Lab-Arena è il framework di NVIDIA per costruire benchmark in simulazione e valutarvi policy robotiche, scritto come estensione di Isaac Lab su Isaac Sim. Invece di una configurazione separata per ogni combinazione di robot, oggetto e contesto, si compone un ambiente a partire da tre parti indipendenti: una scena con i suoi oggetti e arredi, un embodiment (il robot con i suoi sensori, osservazioni e azioni) e un compito (che cosa deve fare il robot e come si giudica il successo). Arena li assembla in un ambiente Isaac Lab standard, così spostare un compito da un braccio Franka a un umanoide, o da una cucina a un tavolo di imballaggio, significa cambiare un solo blocco. Gli oggetti sono posizionati con relazioni come sopra e accanto a invece che con coordinate, abilità brevi si concatenano in compiti lunghi, e un sistema di variazioni trasforma un ambiente in una scansione su illuminazione, sfondi, parametri della telecamera e massa degli oggetti, una forma controllata di domain randomization. Un agente sperimentale trasforma la descrizione di un compito in linguaggio naturale in una specifica di ambiente modificabile, costruita con asset SimReady.
La valutazione esegue una policy su migliaia di ambienti su una GPU, e quegli ambienti possono contenere oggetti diversi. Gli esperimenti che combinano più compiti e policy girano in locale o su più nodi con OSMO. Le policy stanno dietro un server e comunicano con Arena tramite un'unica interfaccia di osservazione e azione: il repository ha integrazioni per GR00T, π0.5 di OpenPI e DreamZero, e altri modelli si collegano allo stesso modo. I risultati tornano come metriche aggregate e per episodio. Predicati di sotto-compito registrano fin dove è arrivato ogni rollout (presa, sollevamento, trasporto, posizionamento), e l'analisi di sensibilità mostra in quali condizioni una policy cede. Newton può sostituire PhysX come backend fisico per compiti deformabili e ricchi di contatti come l'inserimento di ingranaggi.
Nel post di lancio di NVIDIA, valutare GR00T N1.5 su 10 compiti RoboCasa con 4.096 variazioni di ambiente per compito ha richiesto 0,76 ore in parallelo su 8 GPU, contro 34,9 ore eseguendoli uno dopo l'altro sullo stesso framework, circa 40 volte più veloce. Un test preliminare nella documentazione ha misurato 2.390 passi di ambiente al secondo con 1.024 ambienti paralleli su una sola GPU RTX 5880 Ada, senza telecamere.
I benchmark risiedono nei repository dei rispettivi autori e girano su Arena. Il README elenca le suite di compiti di Lightwheel adattate da RoboCasa e LIBERO, RoboTwin 2.0, i flussi di lavoro RHEO di Isaac for Healthcare, VABAR, DexBench e RoboDojo. NVIDIA ha annunciato RoboDojo su Arena con compiti bimanuali come inserimento di precisione, piegatura e uso di utensili; il ramo Arena di RoboDojo esegue 54 compiti sul robot a due bracci X5 di ARX. Arena stessa include un Kitchen Benchmark di 31 compiti di manipolazione di DROID e compiti modellati su RoboLab, elencati nei suoi ambienti di esempio. Gli ambienti Arena possono anche essere condivisi sull'Environment Hub di LeRobot e valutati con il comando di valutazione di LeRobot, come mostra il post di Hugging Face con SmolVLA.
Perché è importante
Le policy generaliste come i modelli Vision-Language-Action (VLA) si giudicano da come reggono su molti compiti, robot e condizioni, e testarlo su hardware reale è lento, costoso e difficile da ripetere. La simulazione è la prima verifica economica, ma i benchmark di solito hanno distribuito ambienti, script e runner propri, quindi testare una policy su diversi di essi significa diverse configurazioni separate. Arena li mette su un unico nucleo: gli autori di benchmark riutilizzano le stesse scene, gli stessi robot e le stesse metriche, e un team che sviluppa policy può eseguirli tutti tramite un unico client. I suoi strumenti di predicati e di sensibilità rispondono anche a ciò che un singolo tasso di successo nasconde: a quale passo una policy ha fallito e in quali condizioni. Il nostro catalogo ha altri strumenti di valutazione, SimplerEnv e Inspect Robots. Arena è quello costruito per creare nuovi benchmark ed eseguirli su scala GPU, ed è la base su cui costruiscono RoboDojo, RoboTwin e Lightwheel e che l'Environment Hub di LeRobot supporta.
Il problema che risolve
Valutare correttamente una policy robotica generalista significa eseguirla su molti compiti, robot, oggetti e condizioni. In simulazione questo di solito comporta un ambiente e un runner scritti a mano per ogni combinazione, con rollout eseguiti uno dopo l'altro. Arena sostituisce tutto ciò con blocchi riutilizzabili, valutazione parallela su GPU e metriche condivise, così un benchmark viene scritto una volta, variato tramite configurazione ed eseguito su larga scala, e benchmark diversi possono essere eseguiti tramite la stessa interfaccia di policy.
Punti chiave
- Gli ambienti sono composti da blocchi separati di scena, embodiment e compito e diventano ambienti Isaac Lab standard
- Esegue una policy su migliaia di ambienti paralleli su una GPU, o su più macchine con OSMO
- Le policy girano dietro un server con un'unica interfaccia, con integrazioni incluse per GR00T, π0.5 e DreamZero
- L'avanzamento dei sotto-compiti e l'analisi di sensibilità mostrano dove una policy fallisce e in quali condizioni
- I benchmark pubblicati basati su di esso includono RoboDojo, RoboTwin 2.0 e le suite di compiti RoboCasa e LIBERO di Lightwheel
- Software in versione alpha: le API cambiano tra una release e l'altra e NVIDIA sconsiglia di usarlo in produzione
A chi si rivolge
- Team che addestrano modelli Vision-Language-Action (VLA) o altre policy generaliste e hanno bisogno di una valutazione ripetibile su molti compiti
- Autori di benchmark che vogliono pubblicare compiti che altri possano eseguire senza ricostruire scene, robot e metriche
- Utenti di Isaac Lab che vogliono valutazione, variazioni controllate e analisi dei fallimenti sopra i propri ambienti
- Utenti di LeRobot che vogliono condividere ambienti di simulazione tramite l'Environment Hub
Limiti
- Software in versione alpha (versione 0.3): le API pubbliche cambiano senza avvisi di deprecazione e NVIDIA sconsiglia l'uso in produzione
- Solo Linux (Ubuntu 22.04 o successivo), con una GPU NVIDIA che soddisfi i requisiti hardware di Isaac Sim
- Gira su Isaac Sim, che include componenti soggetti alle condizioni di licenza proprietarie di NVIDIA, quindi lo stack completo non è open source
- Legato allo stack di NVIDIA: ogni ambiente è un ambiente Isaac Lab, quindi i benchmark costruiti su Arena girano solo lì
- Le versioni sono rami di release e non release GitHub con tag, e ciascuna fissa versioni specifiche di Isaac Lab e Isaac Sim
- La generazione agentica degli ambienti è indicata come sperimentale, e i suoi agenti e il suo design possono cambiare