Isaac Lab-Arena
Framework aberto da NVIDIA para criar benchmarks de robôs e testar políticas em escala
Licença
Apache 2.0 (roda sobre o Isaac Sim, que tem partes proprietárias)
Código: Apache-2.0, segundo o LICENSE.md. O GitHub não mostra nenhuma licença porque o arquivo começa com um título em Markdown. Ambiente de execução necessário: Isaac Sim, que inclui componentes sob a licença proprietária Omniverse da NVIDIA, e é preciso aceitar sua EULA para rodar o Arena. Modelos e benchmarks usados com o Arena, como GR00T, π0.5 ou conjuntos de tarefas de terceiros, mantêm suas próprias licenças. Verificado em 2026-11-06 com base no LICENSE.md e no README.
Visão geral
Isaac Lab-Arena é um framework de código aberto da NVIDIA para criar benchmarks de robôs em simulação e avaliar políticas neles em grande escala. Ele estende o Isaac Lab: um ambiente é composto de uma cena, um embodiment de robô e uma tarefa, de modo que uma tarefa pode ser reaproveitada com outros robôs, objetos e cenários sem código novo. Uma política pode rodar em milhares de ambientes em paralelo em uma GPU ou ser distribuída por várias máquinas, e os resultados mostram em que passo de uma tarefa uma política falha e a quais condições ela é sensível. É um software em fase alfa, com 0.3.1 como linha de versão atual, e benchmarks publicados como RoboDojo, RoboTwin 2.0 e os conjuntos de tarefas RoboCasa e LIBERO da Lightwheel já rodam sobre ele.
Isaac Lab-Arena é o framework da NVIDIA para criar benchmarks de simulação e avaliar neles políticas de robôs, escrito como extensão do Isaac Lab sobre o Isaac Sim. Em vez de uma configuração separada para cada combinação de robô, objeto e cenário, você compõe um ambiente a partir de três partes independentes: uma cena com seus objetos e móveis, um embodiment (o robô com seus sensores, observações e ações) e uma tarefa (o que o robô deve fazer e como o sucesso é avaliado). O Arena as monta em um ambiente padrão do Isaac Lab, então levar uma tarefa de um braço Franka para um humanoide, ou de uma cozinha para uma mesa de embalagem, significa trocar uma única peça. Os objetos são posicionados por relações como sobre e ao lado de, em vez de coordenadas, habilidades curtas se encadeiam em tarefas longas, e um sistema de variações transforma um ambiente em uma varredura de iluminação, fundos, parâmetros de câmera e massa dos objetos, uma forma controlada de randomização de domínio. Um agente experimental transforma a descrição de uma tarefa em linguagem comum em uma especificação de ambiente editável, montada com recursos SimReady.
A avaliação roda uma política em milhares de ambientes em uma GPU, e esses ambientes podem conter objetos diferentes. Experimentos que combinam várias tarefas e políticas rodam localmente ou em vários nós com o OSMO. As políticas ficam atrás de um servidor e conversam com o Arena por uma única interface de observações e ações: o repositório tem integrações para GR00T, o π0.5 do OpenPI e DreamZero, e outros modelos se conectam da mesma forma. Os resultados voltam como métricas agregadas e por episódio. Predicados de subtarefas registram até onde cada execução chegou (pegar, levantar, transportar, posicionar), e a análise de sensibilidade mostra em que condições uma política falha. O Newton pode substituir o PhysX como motor de física para tarefas deformáveis e com muito contato, como a inserção de engrenagens.
No post de lançamento da NVIDIA, avaliar o GR00T N1.5 em 10 tarefas do RoboCasa com 4.096 variações de ambiente por tarefa levou 0,76 hora em paralelo em 8 GPUs, contra 34,9 horas uma após a outra no mesmo framework, cerca de 40 vezes mais rápido. Um teste preliminar na documentação mediu 2.390 passos de ambiente por segundo com 1.024 ambientes em paralelo em uma única GPU RTX 5880 Ada, sem câmeras.
Os benchmarks ficam nos repositórios de seus autores e rodam sobre o Arena. O README lista os conjuntos de tarefas da Lightwheel adaptados do RoboCasa e do LIBERO, o RoboTwin 2.0, os fluxos de trabalho RHEO do Isaac for Healthcare, o VABAR, o DexBench e o RoboDojo. A NVIDIA anunciou o RoboDojo no Arena com tarefas bimanuais como inserção de precisão, dobra e uso de ferramentas; o branch do Arena do RoboDojo roda 54 tarefas no robô de dois braços X5 da ARX. O próprio Arena traz um Kitchen Benchmark de 31 tarefas de manipulação do DROID e tarefas inspiradas no RoboLab, listados em seus ambientes de exemplo. Os ambientes do Arena também podem ser compartilhados no Environment Hub do LeRobot e avaliados com o comando de avaliação do LeRobot, como mostra o post da Hugging Face com o SmolVLA.
Por que importa
Políticas generalistas como os modelos de visão, linguagem e ação são julgadas por como se saem em muitas tarefas, robôs e condições, e testar isso em hardware real é lento, caro e difícil de repetir. A simulação é a primeira verificação barata, mas os benchmarks costumam trazer seus próprios ambientes, scripts e executores, então testar uma política em vários deles exige várias configurações separadas. O Arena os coloca sobre um núcleo comum: autores de benchmarks reaproveitam as mesmas cenas, robôs e métricas, e uma equipe de políticas pode rodar todos eles por um único cliente. Suas ferramentas de predicados e de sensibilidade também respondem ao que uma única taxa de sucesso esconde: em que passo uma política falhou e em que condições. Nosso catálogo tem outras ferramentas de avaliação, o SimplerEnv e o Inspect Robots. O Arena é o que foi feito para criar benchmarks novos e rodá-los em escala de GPU, e é a base sobre a qual RoboDojo, RoboTwin e Lightwheel constroem e que o Environment Hub do LeRobot suporta.
Problema que resolve
Avaliar bem uma política generalista de robôs significa rodá-la em muitas tarefas, robôs, objetos e condições. Em simulação, isso costuma exigir um ambiente e um executor escritos à mão para cada combinação, com execuções uma após a outra. O Arena substitui isso por peças reutilizáveis, avaliação em paralelo na GPU e métricas compartilhadas: um benchmark é escrito uma vez, variado por configuração e executado em escala, e benchmarks diferentes podem rodar pela mesma interface de políticas.
Pontos principais
- Os ambientes são compostos de blocos separados de cena, embodiment e tarefa e viram ambientes padrão do Isaac Lab
- Roda uma política em milhares de ambientes em paralelo em uma GPU, ou em várias máquinas com o OSMO
- As políticas ficam atrás de um servidor com uma única interface, e há integrações incluídas para GR00T, π0.5 e DreamZero
- O progresso por subtarefas e a análise de sensibilidade mostram onde uma política falha e em que condições
- Entre os benchmarks publicados construídos sobre ele estão RoboDojo, RoboTwin 2.0 e os conjuntos de tarefas RoboCasa e LIBERO da Lightwheel
- Software em fase alfa: as APIs mudam entre versões e a NVIDIA desaconselha o uso em produção
Para quem é
- Equipes que treinam políticas de visão, linguagem e ação ou outras políticas generalistas e precisam de avaliação repetível em muitas tarefas
- Autores de benchmarks que querem publicar tarefas que outros possam rodar sem reconstruir cenas, robôs e métricas
- Usuários do Isaac Lab que querem avaliação, variações controladas e análise de falhas sobre seus ambientes
- Usuários do LeRobot que querem compartilhar ambientes de simulação pelo Environment Hub
Limitações
- Software em fase alfa (versão 0.3): as APIs públicas mudam sem avisos de descontinuação, e a NVIDIA desaconselha o uso em produção
- Apenas Linux (Ubuntu 22.04 ou posterior), com uma GPU NVIDIA que atenda aos requisitos de hardware do Isaac Sim
- Roda sobre o Isaac Sim, que inclui componentes sob termos de licença proprietários da NVIDIA, então a pilha completa não é de código aberto
- Preso à pilha da NVIDIA: todo ambiente é um ambiente do Isaac Lab, então benchmarks construídos sobre o Arena só rodam lá
- As versões são branches de release em vez de releases marcadas no GitHub, e cada uma fixa versões específicas do Isaac Lab e do Isaac Sim
- A geração agêntica de ambientes está marcada como experimental, e seus agentes e seu design podem mudar