07GenieSim配置

Genie Sim 是 AgiBot 推出的仿真框架，为开发者提供高效的数据生成能力和评估基准，以加速具身智能的开发。Genie Sim 建立了一个全面的闭环流程，包括轨迹生成、模型训练、基准测试和部署验证。用户可以通过这个高效的仿真工具链快速验证算法性能并优化模型。无论是简单的抓取任务还是复杂的远程操作，Genie Sim 都能提供高度逼真的仿真环境和精确的评估指标，助力开发者高效完成机器人技术的开发和迭代。​

Genie Sim Benchmark 作为 Genie Sim 的开源评估版本，致力于为具身 AI 模型提供精确的性能测试和优化支持。​

可以最开始先下载资产​

​

代码块​

Bash

sudo apt install git-lfsgit lfs install# When prompted for a password, use an access token with write permissions.# Generate one from your settings: https://huggingface.co/settings/tokensgit clone https://huggingface.co/datasets/agibot-world/GenieSimAssets​

​

​

代码块​

Bash

# Configure the repositorycurl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \ && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list \ && \ sudo apt-get update# Install the NVIDIA Container Toolkit packagessudo apt-get install -y nvidia-container-toolkitsudo systemctl restart docker# Configure the container runtimesudo nvidia-ctk runtime configure --runtime=dockersudo systemctl restart docker# Verify NVIDIA Container Toolkitdocker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi​

​

https://docs.isaacsim.omniverse.nvidia.com/latest/installation/requirements.html​

2.2 从 Huggingface 下载场景和资产​

请访问 https://huggingface.co/datasets/agibot-world/GenieSimAssets 并按照说明操作。​

2.3 安装​

2.3.1 Docker 容器 (推荐)​

使用 Docker 容器进行开发​

◦

按照 Isaac Sim 文档 安装 Docker​

准备 Docker 镜像​

​

代码块​

Bash

​

​

​

代码块​

Plain Text

# 进入 genie_sim 根目录并从 Dockerfile 创建 Docker 镜像docker build -f ./scripts/dockerfile -t registry.agibot.com/genie-sim/open_source:latest .​

​

如果遇到网络问题，我的方法是：​

​

代码块​

Bash

ip addr show docker0 | grep "inet\s" | awk '{print $2}' | cut -d/ -f1DOCKER_HOST_IP="172.17.0.1" docker build \ --add-host=host.docker.internal:"$DOCKER_HOST_IP" \ --build-arg http_proxy="http://host.docker.internal:7890" \ --build-arg https_proxy="http://host.docker.internal:7890" \ --build-arg no_proxy="localhost,127.0.0.1" \ -f ./scripts/dockerfile \ -t registry.agibot.com/genie-sim/open_source:latest .​

​

•

运行 Docker 容器并启动服务器​

​

代码块​

Bash

# 在主目录中启动一个新容器# 你需要将 /assets 更改为 GenieSimAssets 文件夹SIM_ASSETS=/17robo/GenieSimAssets/ ./scripts/start_gui.sh./scripts/into.sh# 启动服务器omni_python server/source/genie.sim.lab/raise_standalone_sim.py --enable_curobo True # 此演示的抓取轨迹由 Curobo 生成​

​

​

​

App ready之后再执行下一句​

然后我们就看到，如果超市演示执行完成，就会这边的仿真器也退出。​

​

代码块​

Bash

# start container in main directory./scripts/into.sh# start client in containeromni_python benchmark/task_benchmark.py --task_name=curobo_restock_supermarket_items --env_class=DemoEnvomni_python benchmark/task_benchmark.py --task_name=iros_open_drawer_and_store_items --env_class=DemoEnv （暂时有报错）omni_python benchmark/task_benchmark.py --task_name=genie_task_home_microwave_food --env_class=DemoEnv （这个也是用不了的，只有输出step）geniesim2.1和2.0一样只给了一个curobo跑任务的示例，开源部分只配置了上货任务，其他iros任务需要模型推理或者遥操作​

​

​

​

先回出现这个绿色的info​

然后等大概1min​

如果遇到了gRPC相关的报错，请参考issue修改即可​

https://github.com/AgibotTech/genie_sim/issues/11​

注意命令行不能设置任何代理！同时sudo ufw allow 50051​

​

代码块​

Bash

make sure your server is running (launched by omni_python server/source/genie.sim.lab/raise_standalone_sim.py --enable_curobo True in same container)make sure your port 50051 is not be used. You must kill other process on 50051 by sudo lsof -i :50051 and sudo kill -9 .​

​

​

​

​

​

我这里遇到了卡在这里的问题​

​

​

从远程pull一下最新代码。​

​

​

就不会卡住。​

同时，如果有对应大文件更改，可以到assets下面：​

git lfs pull # 确保所有LFS文件是最新的​

https://github.com/AgibotTech/genie_sim/issues/29​

2.3.2 主机​

我们建议开发者使用我们统一的 Docker 容器环境。​

如果希望使用自己的环境，请参考我们提供的 dockerfile 并安装我们列出的依赖项。​

2.3.3 开发者指南​

2.3.4 启用 pre-commit 钩子 (可选)​

安装并设置 pre-commit 以启用自动文件格式化程序，适用于 Python / JSON / YAML 等。​

​

代码块​

Bash

# 将 pre-commit 安装到你的 Python 环境sudo apt install python3-pippip3 install pre-commit# 在仓库中启用预定义的 pre-commit 钩子pre-commit install​

​

对所有跟踪的文件触文件格式化程序​

​

代码块​

Bash

pre-commit run --all-files​

​

​

​

2.4 基准测试任务#### 2.4.1 运行基准测试1. 运行 docker 容器​

​

代码块​

Plain Text

# 在主目录中启动一个新容器# 需要将 /assets 更改为 GenieSimAssets 文件夹SIM_ASSETS=/17robot/GenieSimAssets ./scripts/start_gui.sh​

​

运行基准测试​

在 docker 容器外的 genie_sim 根目录下执行以下命令​

Auto run是挺好用的。不过需要infer参数​

​

代码块​

Plain Text

./scripts/autorun.sh genie_task_home_pour_water infer​

​

https://github.com/AgibotTech/genie_sim/issues/34​

支持以下任务名称​

任务名称​

genie_task_cafe_espresso​

genie_task_cafe_toast​

genie_task_home_clean_desktop​

genie_task_home_collect_toy​

genie_task_home_microwave_food​

genie_task_home_open_drawer​

genie_task_home_pass_water​

genie_task_home_pour_water​

genie_task_home_wipe_dirt​

genie_task_supermarket_cashier_packing​

genie_task_supermarket_stock_shelf​

genie_task_supermarket_pack_fruit​

​

​

2.4.2 基准评估框架​

配置​

使用 ADER (Action Domain Evaluation Rule) 进行评估配置​

示例​

JSON​

​

代码块​

Plain Text

​

当前评估能力​

​

​ ​ ​	​ ​ ​	​ ​ ​	​ ​ ​
​ 动作​ ​	​ 描述​ ​	​ 基类​ ​	​ 语法​ ​
​ 通用 (COMMON)​ ​	​ ​ ​	​ ​ ​	​ ​ ​
​ ActionList​ ​	​ 队列动作：内部动作按顺序执行。​ ​	​ ActionBase​ ​	​ "ActionList":[]​ ​
​ ActionSetWaitAny​ ​	​ 条件队列动作：当任何一个内部动作完成时，该动作完成。​ ​	​ ActionBase​ ​	​ "ActionSetWaitAny":[]​ ​
​ ActionWaitForTime​ ​	​ 时间等待动作：类似于 sleep，但不会阻塞线程。​ ​	​ ActionBase​ ​	​ "ActionWaitForTime": 3.0​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​

​

评估输出数据结构​

JSON​

​

代码块​

Plain Text

//输出[ { "task_type": "benchmark", "model_path": "", "task_uid": "13513cf3-2d88-421e-b3e5-dc0998a60970", "task_name": "genie_task_supermarket", "stage": "", "result": { "code": -1, "step": 0, "msg": "", "progress": [], "scores":[] }, "start_time": "2025-06-05 15:04:31", "end_time": "2025-06-05 15:05:40" }]​

​

错误码​

Python​

​

代码块​

Plain Text

from enum import Enumclass ErrorCode(Enum): INIT_VALUE = -1 SUCCESS = 0 ABNORMAL_INTERRUPTION = 1 OUT_OF_MAX_STEP = 2 UNKNOWN_ERROR = 500​

​

​

​

2.5 AgiBot World 挑战赛操作任务​

2.5.1 运行基线模型推理​

从以下地址下载 Agibot World 仓库和基线模型​

a. GitHub - OpenDriveLab/AgiBot-World at manipulation-challenge​

下载后，只要docker不更新build，之前的agibot-world还是在docker的main下的​

​

​

​

代码块​

Plain Text

# 初始化 Agibot World 仓库以运行基线模型git clone -b git submodule update --init --recursive​

​

后面每次可以拉取一下更新：​

​

代码块​

TypeScript

root@ubuntu22:/workspace/main/AgiBot-World# lsexperiments InternVL __pycache__ scriptsgenie_sim_ros.py latent_action_model README.mdhubconf.py prismatic requirements.txtroot@ubuntu22:/workspace/main/AgiBot-World# git pullfatal: detected dubious ownership in repository at '/root/workspace/main/AgiBot-World'To add an exception for this directory, call: git config --global --add safe.directory /root/workspace/main/AgiBot-Worldroot@ubuntu22:~/workspace/main/AgiBot-World# 需要git config --global --add safe.directory /root/workspace/main/AgiBot-World然后git pullgit submodule update --init --recursive​

​

FileNotFoundError: [Errno 2] No such file or directory: 'checkpoints/finetuned/action_decoder.pt'​

There was an error running python​

这个是因为需要添加基线模型​

将所有基线模型文件和代码移动到 Agibot-World 目录下​

​

代码块​

Bash

cp -r UniVLA/latent_action_model/ ./latent_action_model/cp -r UniVLA/scripts/ ./scripts/cp -r UniVLA/prismatic/ ./prismatic/cp -r UniVLA/experiments/ ./experiments/mkdir -p checkpoints/finetunedcd checkpoints/finetunedgit lfs clone https://huggingface.co/qwbu/univla-iros-manipulation-challenge-baselinemv univla-iros-manipulation-challenge-baseline/* ./​

​

为了保持最新​

​

代码块​

Bash

git clone -b manipulation-challenge https://github.com/OpenDriveLab/AgiBot-World.git AgiBot-World-manipulation-challengecp -r AgiBot-World-manipulation-challenge/UniVLA/* AgiBot-World/​

​

​

代码块​

Plain Text

main├── AgiBot-World│ ├── InternVL│ ├── experiments/robot│ ├── latent_action_model│ ├── prismatic│ ├── robot│ ├── scripts│ │ └── infer.py│ │ └── ...│ │ └── ...│ ├── checkpoints│ │ └── finetuned│ │ └── readme.txt│ ├── genie_sim_ros.py│ ├── hubconf.py│ └── requirements.txt​

​

有个需要修改的地方infer.py的第五行：​

后续有空我提个PR，也欢迎有空的小伙伴去提(目前该问题已修复，不用管这个了)​

​

​

运行 docker 容器​

​

代码块​

Plain Text

# 在主目录中启动一个新容器# 需要将 /assets 更改为本地 assets 文件夹SIM_ASSETS=/17robo/GenieSimAssets ./scripts/start_gui.sh​

​

运行基线模型推理​

在 docker 容器外的 genie_sim 根目录下执行以下命令​

​

代码块​

Plain Text

./scripts/autorun.sh iros_open_drawer_and_store_items infer./scripts/autorun.sh iros_clear_the_countertop_waste infer​

​

支持以下任务名称​

​

​ ​ ​

​ 任务名称​ ​

​ iros_clear_the_countertop_waste​ ​

​ iros_open_drawer_and_store_items​ ​

​ iros_heat_the_food_in_the_microwave​ ​

​ iros_pack_moving_objects_from_conveyor​ ​

​ iros_pickup_items_from_the_freezer​ ​

​ iros_restock_supermarket_items​ ​

​ iros_pack_in_the_supermarket​ ​

​ ​

​ ​

​ ​

​

​

​

​

​

成功咯，24G显卡够用​

​

​

​

​

打开抽屉并夹取物体，不过过程还是有很多问题的哈哈哈，最后把魔方搞到地上了​

​

​

2.5.2 集成自己的策略​

根据以下说明构建自己的代码​

a. 使用以下路径的模板开始模型集成。不要修改 infer 函数的结构。​

​

代码块​

Plain Text

​

b. 在自定义时，请确保 ROS 节点严格遵守指定的话题​

*模型推理与仿真环境之间的通信是标准化的，并基于 ROS2 实现。这些是为任务指定的专用话题。​

​

​ ​ ​	​ ​ ​	​ ​ ​	​ ​ ​	​ ​ ​
​ 话题名称​ ​	​ 发布者​ ​	​ 订阅者​ ​	​ 消息类型​ ​	​ 内容​ ​
​ /joint_command​ ​	​ 模型​ ​	​ 仿真环境​ ​	​ JointState​ ​	​ 模型推理输出的关节命令​ ​
​ /joint_states​ ​	​ 仿真环境​ ​	​ 模型​ ​	​ JointState​ ​	​ 来自仿真的当前机器人关节状态​ ​
​ /sim/head_img​ ​	​ 仿真环境​ ​	​ 模型​ ​	​ CompressedImage​ ​	​ 来自仿真的当前头部 RGB 图像​ ​
​ ​	​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​	​ ​

​

c. 自定义后，请确认文件组织结构与指定布局匹配，并确保包含 infer.py 和 genie_sim_ros.py。​

​

代码块​

Plain Text

main├── AgiBot-World│ ├── scripts│ │ └── infer.py│ │ └── ...│ │ └── ...│ ├──genie_sim_ros.py│ ├──...│ └──...​

​

运行 docker 容器​

Bash​

​

代码块​

Plain Text

# 需要将 /assets 更改为 GenieSimAssets 文件夹SIM_ASSETS=/assets ./scripts/start_gui.sh​

​

运行模型推理​

在 docker 容器外的 genie_sim 根目录下执行以下命令​

​

代码块​

Plain Text

./scripts/autorun.sh {TASK_NAME} infer​

​

模型推理依赖​

常用的 Python 库已在 Genie Sim Benchmark 仓库的 requirements.txt 文件中列出，并预装在我们的操作测试服务器的 docker 镜像中。如果需要额外的 Python 库来运行策略，可以在测试服务器上随模型文件一起上传一个包含额外库的 requirements.txt 文件。​

​

​

2.5.3 Agibot World 挑战赛评估框架​

请参考 2.4.2 基准评估框架​

​

​

2.6 遥操作​

2.6.1 PICO​

支持使用手柄控制机器人腰部、头部、左/右末端执行器和基座的移动。​

用户指南​

​

​ ​ ​	​ ​ ​
​ 编号​ ​	​ 功能 (左 / 右)​ ​
​ ①​ ​	​ 摇杆: 移动机器人基座​ 按下: 重置基座姿态​ ​
​ ​	​ ​
​ ​	​ ​
​ ​	​ ​
​ ​	​ ​
​ ​	​ ​

​

Pico 设置​

连接到与计算机相同的局域网​

在资源库中启动 AIDEA Vision App​

选择无线连接并输入计算机的 IP 地址​

启动设置​

启动服务器​

Bash​

​

代码块​

Plain Text

# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py​

​

在容器中启动 PICO 控制​

Bash​

​

代码块​

Plain Text

# 在容器内运行此命令omni_python teleop/teleop.py --task_name genie_task_home_microwave_food --mode pico --host_ip x.x.x.x​

​

​

​

2.6.2 键盘​

支持键盘控制机器人腰部、头部、左/右末端执行器和基座的移动。​

用户指南​

​

​ ​ ​	​ ​ ​	​ ​ ​	​ ​ ​
​ 按键​ ​	​ 功能​ ​	​ 按键​ ​	​ 功能​ ​
​ w​ ​	​ 末端执行器向前​ ​	​ i​ ​	​ 翻滚 +​ ​
​ s​ ​	​ 末端执行器向后​ ​	​ k​ ​	​ 翻滚 -​ ​
​ a​ ​	​ 末端执行器向左​ ​	​ j​ ​	​ 俯仰 +​ ​
​ d​ ​	​ 末端执行器向右​ ​	​ l​ ​	​ 俯仰 -​ ​
​ q​ ​	​ 末端执行器向上​ ​	​ u​ ​	​ 偏航 +​ ​
​ e​ ​	​ 末端执行器向下​ ​	​ o​ ​	​ 偏航 -​ ​
​ ↑​ ​	​ 基座向前​ ​	​ shift+↑​ ​	​ 头部俯仰 +​ ​
​ ↓​ ​	​ 基座向后​ ​	​ shift+↓​ ​	​ 头部俯仰 -​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​

​

启动设置​

启动服务器​

Bash​

​

代码块​

Plain Text

SIM_ASSETS=~/17robo/GenieSimAssets/ ./scripts/start_gui.sh./scripts/into.sh# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py​

​

在容器中启动键盘控制​

Bash​

​

代码块​

Plain Text

# 在容器内运行此命令omni_python teleop/teleop.py --task_name genie_task_home_microwave_food --mode "keyboard"​

​

​

​

腰部的还是慎用，感觉没弄好，整体来说末端执行器控制还是很棒的​

​

​

2.7 记录 & 回放​

这里再备注一下任务：​

genie_task_cafe_espresso​

genie_task_cafe_toast​

genie_task_home_clean_desktop​

genie_task_home_collect_toy​

genie_task_home_microwave_food​

genie_task_home_open_drawer​

genie_task_home_pass_water​

genie_task_home_pour_water​

genie_task_home_wipe_dirt​

genie_task_supermarket_cashier_packing​

genie_task_supermarket_stock_shelf​

genie_task_supermarket_pack_fruit​

为提高效率，首先记录轨迹，然后执行回放来录制视频。​

将所有场景信息（包括机器人关节位置、物体姿态、相机姿态等）记录在 state.json 文件中。​

•

启动服务器​

Bash​

​

代码块​

Plain Text

# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py​

​

•

启动客户端​

Bash​

​

代码块​

Plain Text

# 在容器内运行此命令omni_python teleop/teleop.py --task_name genie_task_home_pour_water --mode keyboard --record​

​

场景信息记录在 ./output/recording_data/{TASK_NAME}/state.json​

这里生成的 /root/workspace/main/output/recording_data/genie_task_home_pour_water/state.json​

2.7.1 回放​

回放轨迹并录制视频。​

•

启动服务器​

Bash​

​

代码块​

Plain Text

# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py --disable_physics --record_img --record_video​

​

•

启动客户端​

Bash​

​

代码块​

Plain Text

# 例如：TASK_NAME=genie_task_home_pour_water# 在容器内运行此命令omni_python teleop/replay_state.py --task_file teleop/tasks/${TASK_NAME}.json --state_file output/recording_data/${TASK_NAME}/state.json --record​

​

图像和视频记录在 ./output/recording_data/{TASK_NAME}/{IDX}/​

​

​

​

​

​

​

3. 用例​

3.1 如何用一行代码运行仿真​

运行 docker 容器​

Bash​

​

代码块​

Plain Text

​

在 docker 容器外的 genie_sim 根目录下执行 shell 脚本​

a. 运行任务布局​

Bash​

​

代码块​

Plain Text

./scripts/autorun.sh {TASK_NAME}​

​

b. 运行 PICO 遥操作​

Bash​

​

代码块​

Plain Text

​

c. 运行键盘遥操作​

Bash​

​

代码块​

Plain Text

./scripts/autorun.sh {TASK_NAME} keyboard​

​

d. 运行场景回放​

Bash​

​

代码块​

Plain Text

./scripts/autorun.sh {TASK_NAME} replay {STATE_FILE_PATH}​

​

e. 运行模型推理​

Bash​

​

代码块​

Plain Text

./scripts/autorun.sh {TASK_NAME} infer​

​

f. 运行清理​

Bash​

​

代码块​

Plain Text

./scripts/autorun.sh clean​

​

在终端中按 q 或 Q 键以正常停止任务。autorun 脚本默认启用 ros topic 记录。如果不需要，请在 autorun 脚本中删除相关代码，并确保定期清理输出文件夹。（存储哪些信息呢？保存到哪里呢）​

​

​

3.2 如何设置基准任务文件​

每个基准任务文件都包含以下 6 个关键元素：​

task 包含一个唯一的任务名称​

objects 包含多种任务对象：​

a.

extra_objects: 非交互式对象​

b.

fix_objects: 具有固定初始姿态的交互式对象​

c.

task_related_objects: 具有随机初始姿态的交互式对象​

recording_setting 指定要录制的相机视角​

robot 包括机器人 ID、机器人配置文件和机器人基座初始姿态​

scene 指定一组场景信息：​

a.

scene_id: 场景的唯一名称​

b.

function_space_objects: 随机生成 task_related_objects 的立方体区域​

c.

scene_info_dir: 场景资产的路径​

d.

scene_usd: 场景 usd 文件的路径​

stages 包含为规划任务设计的几个子阶段​

​

​

3.3 如何创建一个带有具身 AI 模型的完整基准任务​

首先，组装任务模板，如 "genie_task_supermarket.json"。此配置文件包含机器人、场景、对象和阶段等。​

​

代码块​

Plain Text

benchmark/bddl/eval_tasks/your_task.json​

​

请正确填写资产文件路径。程序将在用户配置的环境变量 SIM_ASSETS 中查找资产。​

场景泛化：将任务与场景进行映射​

​

代码块​

Plain Text

文件路径: benchmark/bddl/task_to_preselected_scenes.json​

​

JSON​

​

代码块​

Plain Text

{ "genie_task_supermarket": [ "scenes/genie/supermarket_02/Collected_emptyScene_01/emptyScene_01.usd" ]}​

​

编写评估标准代码，例如​

​

代码块​

Plain Text

文件路径: benchmark/bddl/task_definitions/genie_task_supermarket/problem0.bddl​

​

Lisp​

​

代码块​

Plain Text

(define (problem restock_shelves) (:domain isaac) (:objects benchmark_beverage_bottle_013 - bottle.n.01 ) (:init (onfloor benchmark_beverage_bottle_013 floor.n.01_2) ) (:goal (onshelf ?benchmark_beverage_bottle_013) ))​

​

现在，基准配置步骤已完成。​

在 "yourpolicy.py" 中访问具身智能模型。（请参考 demopolicy.py）​

Python​

​

代码块​

Plain Text

class YourPolicy(BasePolicy):def __init__(self) -> None:super().__init__() """初始化配置并加载模型。"""passdef reset(self):"""重置。"""passdef act(self, observations, **kwargs) -> np.ndarray:"""根据观察结果采取行动。 参数: observations 包含机器人图像 (Head_Camera_01/Right_Camera_01/Left_Camera_01) 和当前关节信息 返回: 机器人目标关节 """pass​

​

最后，运行客户端并评估自己的 AI 模型​

Bash​

​

代码块​

Plain Text

python3 benchmark/task_benchmark.py --task_name {task name} --policy_class {policy name} --env_class OmniEnv​

​

​

​

3.4 操作任务资产参数的最佳实践​

3.4.1 如何在 IsaacSim 中调试碰撞体​

按照说明启用碰撞体调试模式​

​

​

3.4.2 不良示例​

•

复杂的网格会导致碰撞计算错误，越简单越好​

•

在小区域内有太多的三角网格通常会导致网格碰撞​

convexHull 和 convexDecompisition​

​

​

3.4.3 良好示例​

良好意味着易于抓取且网格碰撞少​

•

良好的碰撞网格通常看起来简单整洁​

•

确保抓取的关键区域恰到好处（例如罐头、瓶子、瓶盖）​

convexDecompisition 网格​

convexDecompisition 碰撞体​

convexHull​

​

​

4. API 参考​

​

​ ​ ​	​ ​ ​	​ ​ ​	​ ​ ​
​ 函数​ ​	​ 描述​ ​	​ 输入​ ​	​ 返回​ ​
​ 初始化​ ​	​ ​ ​	​ ​ ​	​ ​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​
​ ​	​ ​	​ ​	​ ​

​