具身开发者社区

外观

教程raw.githubusercontent.com6 天前

SimplerEnv：对 VLA 策略做 sim 评估的安装与运行教程 ​

本文按 SimplerEnv README 原文整理最小安装与运行流程：创建环境、克隆仓库、安装 ManiSkill2 real-to-sim 与 SimplerEnv，并用预打包 visual matching 环境跑最小推理脚本。

AI 整理
  • 仿真与训练
  • 具身模型

> 本文依据以下官方文档整理：raw.githubusercontent.com/simpler-env/SimplerEnv/main/README。命令与版本以文档当前版本为准。

前置条件 ​

  • CUDA version >=11.8 and < 13（如果要 full installation 并执行 RT-1 or Octo inference）
  • An NVIDIA GPU（ideally RTX；non-RTX GPUs, such as 1080Ti and A100, environments that involve ray tracing will be slow）
  • Currently TPU is not supported as SAPIEN requires a GPU to run
  • anaconda environment

1. 1. 创建 anaconda 环境 ​

先创建并激活 README 指定的 anaconda environment。文档给出的环境名是 simpler_env，Python 版本写法保持原文不改动。

bash
conda create -n simpler_env python=3.10 (3.10 or 3.11)
conda activate simpler_env

2. 2. 克隆 SimplerEnv 仓库 ​

在本地拉取 SimplerEnv 源码。README 要求使用 --recurse-submodules，因为仓库包含 ManiSkill2_real2sim 等子模块。

bash
git clone https://github.com/simpler-env/SimplerEnv --recurse-submodules

3. 3. 安装 numpy<2.0 ​

进入后续安装前，先按 README 安装指定 numpy 版本。文档说明如果不安装 numpy<2.0，pinocchio 中 IK 可能报错。

bash
pip install numpy==1.24.4

4. 4. 安装 ManiSkill2 real-to-sim 环境 ​

安装 ManiSkill2 real-to-sim environments 以及它们的 dependencies。路径占位符 {this_repo} 保持 README 原文写法。

bash
cd {this_repo}/ManiSkill2_real2sim
pip install -e .

5. 5. 安装 SimplerEnv 包 ​

回到 SimplerEnv 仓库根目录，按 editable 方式安装当前 package。这样后续可以直接 import simpler_env。

bash
cd {this_repo}
pip install -e .

6. 6. 查看可用环境 ​

安装完成后，可按 README 查询所有 available environments。输出中应包含 google_robot_pick_coke_can、widowx_stack_cube 等任务名。

python
import simpler_env
print(simpler_env.ENVIRONMENTS)

7. 7. 跑最小预打包环境脚本 ​

在 interactive python 中执行 README 的 minimal inference script。示例创建 visual matching evaluation setup 的预打包环境，并用随机 action 跑完整 episode。

python
import simpler_env
from simpler_env.utils.env.observation_utils import get_image_from_maniskill2_obs_dict

env = simpler_env.make('google_robot_pick_coke_can')
obs, reset_info = env.reset()
instruction = env.get_language_instruction()
print("Reset info", reset_info)
print("Instruction", instruction)

done, truncated = False, False
while not (done or truncated):
   # action[:3]: delta xyz; action[3:6]: delta rotation in axis-angle representation;
   # action[6:7]: gripper (the meaning of open / close depends on robot URDF)
   image = get_image_from_maniskill2_obs_dict(env, obs)
   action = env.action_space.sample() # replace this with your policy inference
   obs, reward, done, truncated, info = env.step(action) # for long horizon tasks, you can call env.advance_to_next_subtask() to advance to the next subtask; the environment might also autoadvance if env._elapsed_steps is larger than a threshold
   new_instruction = env.get_language_instruction()
   if new_instruction != instruction:
      # for long horizon tasks, we get a new instruction when robot proceeds to the next subtask
      instruction = new_instruction
      print("New Instruction", instruction)

episode_stats = info.get('episode_stats', {})
print("Episode stats", episode_stats)

8. 8. 复现 SIMPLER 指标计算 ​

如果要复现论文中的 key numbers，可运行 README 指定的 tools/calc_metrics.py。该脚本用于 summarizing eval results 和计算 MMRV、Pearson Correlation。

bash
python3 tools/calc_metrics.py

验证是否跑通 ​

确认安装和运行跑通：print(simpler_env.ENVIRONMENTS) 能打印环境列表；最小推理脚本会输出 Reset info、Instruction，长时任务进入下一子任务时可能输出 New Instruction，episode 结束后输出 Episode stats。

文档里点名的注意事项 ​

  • Install numpy<2.0；otherwise errors in IK might occur in pinocchio。
  • CUDA version >=11.8 and < 13 is required if you want to perform a full installation of this repo and perform RT-1 or Octo inference。
  • Currently TPU is not supported as SAPIEN requires a GPU to run。
  • For non-RTX GPUs, such as 1080Ti and A100, environments that involve ray tracing will be slow。
  • By default, Google Robot environments use a control frequency of 3hz, and Bridge environments use a control frequency of 5hz. Simulation frequency is ~500hz。

相关 SDK 条目 ​

来源

本页事实对应的公开页面，以原文为准。

  1. raw.githubusercontent.com/simpler-env/SimplerEnv/main/README.md访问 2026-10-22