外观
教程raw.githubusercontent.com6 天前
逐际动力 LimX TRON1:Isaac Lab 强化学习训练实操
> 本文依据以下官方文档整理:raw.githubusercontent.com/limxdynamics/tron1-rl-isaaclab/mai。命令与版本以文档当前版本为准。
前置条件
- Isaac Sim + Isaac Lab, with isaaclab / isaaclab_tasks / isaaclab_rl importable
- Python 3.10
- GPU (>= 12 GB VRAM recommended for multi-env training)
1. 克隆 tron1-rl-isaaclab 仓库
先获取 TRON1 的 Isaac Lab 强化学习训练仓库,并进入项目目录。该仓库是 Reinforcement learning training stack for the LimX TRON1 bipedal robot。
bash
## 1. Clone the repository
git clone https://github.com/limxdynamics/tron1-rl-isaaclab.git
cd tron1-rl-isaaclab2. 安装扩展与 vendored rsl_rl
在仓库目录中执行 editable install,安装 Isaac Lab extension 和随仓库提供的 rsl_rl。文档说明 Robot model assets 已随仓库包含,无需额外下载模型。
bash
## 2. Editable install of the extension and vendored rsl_rl
pip install -e exts/bipedal_locomotion
pip install -e rsl_rl3. 确认 TRON1 形态与 Task ID
训练任务注册在 exts/bipedal_locomotion/。SF_TRON1A 对应 sole foot (ankle pitch),Task ID 前缀为 Isaac-Limx-SF-TRON1A-...;WF_TRON1A 对应 wheel,Task ID 前缀为 Isaac-Limx-WF-TRON1A-...。
4. 启动 SF 或 WF 训练
根据机器人形态选择训练命令。Solefoot 使用 Isaac-Limx-SF-TRON1A-Blind-Flat-v0;Wheelfoot 使用 Isaac-Limx-WF-TRON1A-Blind-Flat-v0,示例均为 4096 envs 且 headless。
bash
## Solefoot (SF)
python scripts/rsl_rl/train.py --task Isaac-Limx-SF-TRON1A-Blind-Flat-v0 --num_envs 4096 --headless
## Wheelfoot (WF)
python scripts/rsl_rl/train.py --task Isaac-Limx-WF-TRON1A-Blind-Flat-v0 --num_envs 4096 --headless5. 使用常用训练选项与查看日志
训练脚本支持 --checkpoint_path <path> 从指定 .pt checkpoint 恢复,--video 启用视频录制,--max_iterations N 覆盖最大迭代次数。日志路径为 logs/rsl_rl/<experiment_name>/<timestamp>_<run_name>/。
6. 了解相关部署仓库
文档列出 TRON1 RL deployment 相关仓库:tron1-rl-deploy-ros 对应 TRON1 RL deployment (ROS),tron1-rl-deploy-python 对应 TRON1 RL deployment (Python)。本文不展开文档未给出的部署命令。
验证是否跑通
确认训练命令以对应 Task ID 启动,并在 logs/rsl_rl/<experiment_name>/<timestamp>_<run_name>/ 下生成日志。SF 使用 Isaac-Limx-SF-TRON1A-Blind-Flat-v0,WF 使用 Isaac-Limx-WF-TRON1A-Blind-Flat-v0。
文档里点名的注意事项
- Robot model assets (USD files) for SF_TRON1A and WF_TRON1A are bundled inside
exts/bipedal_locomotion/bipedal_locomotion/assets/usd/. No additional model download is required. - Task IDs are registered in exts/bipedal_locomotion/.
- GPU (>= 12 GB VRAM recommended for multi-env training).
来源
本页事实对应的公开页面,以原文为准。