mjlab

基于 GPU 加速 MuJoCo Warp 的 Isaac Lab 风格 API,面向 RL 与机器人研究

许可证

Apache-2.0

概述

mjlab 将 Isaac Lab 基于管理器(manager-based)的环境 API 与 MuJoCo Warp(MuJoCo 的 GPU 加速版本)结合在一起。该框架以最少依赖提供可组合的环境构建模块,并直接访问原生 MuJoCo 数据结构,面向强化学习与机器人研究。由 mujocolab 组织积极维护,具备 GitHub Actions CI、夜间基准测试、PyPI 发布,以及为人形(Unitree G1、Booster T1)与四足机器人(Unitree Go1)运动控制提供的不断扩展的模型库。

mjlab 是一个研究框架,将 Google DeepMind 的 GPU 加速 MuJoCo 后端 MuJoCo Warp 包装在 NVIDIA Isaac Lab 提出的基于管理器的环境 API 中。结果是一个统一的 Python 库:研究者可将机器人、场景、观测、奖励、随机化与课程描述为可组合的管理器,并以每 GPU 数千个并行环境训练策略。

该项目附带可即用训练任务,涵盖人形速度跟踪(Unitree G1、Booster T1)、四足运动(Unitree Go1)在平地与崎岖地形上的训练,以及基于 CMU MoCap 数据的动作跟踪。原生支持多 GPU 分布式训练,训练过程中可同时进行评估(从 Weights & Biases 拉取最新检查点),策略可以导出并在独立 MuJoCo 仿真中回放。

与 Isaac Lab 不同 —— 后者依赖 Isaac Sim 与 NVIDIA RTX 栈 —— mjlab 保持依赖最小化,直接暴露原生 MuJoCo 数据结构,使其更容易接入既有的 MuJoCo 研究代码,并可在任意 CUDA GPU 上运行。它在 PyPI 上发布,具有夜间基准,由 mujocolab 组织积极维护。

为何重要

Isaac Lab 的基于管理器 API 已成为机器人任务大规模并行 RL 的事实标准,但与 NVIDIA Isaac Sim 绑定。mjlab 把同样符合人体工学的 API 带到开源 MuJoCo 生态,移除了 Isaac Sim 锁定,使任何已投入 MuJoCo 或在非 RTX 硬件上运行的团队都能使用快速 GPU 并行 RL。

解决的问题

希望使用 Isaac Lab 简洁基于管理器 API 的研究者一直被迫绑定 NVIDIA Isaac Sim —— 后者较为重型、依赖 RTX,与既有 MuJoCo 研究生态距离较远。mjlab 在 MuJoCo Warp 之上提供同样的人体工学,使已经熟悉 MuJoCo(或运行在通用 CUDA GPU 上)的团队无需切换仿真器即可采用相同的编写模式。

要点

• 复用 Isaac Lab 基于管理器的环境 API,但运行在 GPU 加速的 MuJoCo Warp 上,而非 Isaac Sim
• 提供 Unitree G1 / Booster T1 人形与 Unitree Go1 四足机器人训练任务,以及 CMU MoCap 动作跟踪
• 原生多 GPU 训练、通过 uvx 实现零安装演示,提供 PyPI 包与 Google Colab 笔记本
• Apache-2.0 授权,2,200+ 星,活跃维护,带有夜间基准与 CI
• 直接访问 MuJoCo 数据结构,易于与既有 MuJoCo 研究代码集成

适用人群

• 训练人形与四足运动控制的 RL 研究者(大规模并行)
• 已投入 MuJoCo 的机器人实验室,希望获得 Isaac Lab 风格的人体工学
• 需要轻量、可脚本化仿真,并使用 CMU MoCap 驱动动作跟踪的仿真到现实团队
• 在非 RTX CUDA 硬件上工作、无法使用 Isaac Sim 的工程师

局限

• 训练需要 NVIDIA GPU;macOS 仅支持评估
• 比 Isaac Lab 本身更年轻 —— 预构建任务生态仍较小(以人形 + 四足运动控制为主)
• 依赖 MuJoCo Warp,本身是较新组件,与经典 MuJoCo 相比仍有特性差距
• 未内置视觉/感知栈 —— 与消耗本体感觉状态的策略最匹配