没有真机怎么做具身智能实验：仿真平台、仓库与操作流程

仿真解决什么问题

没有真机时，仿真仍然能提供三件事：可重复的 environment、可定义的 action space、可自动计算的 reward / success / return。但它不能自动证明真机成功。正确说法是：simulation closed-loop evidence，不是 real-robot success。

平台选择表

P0：CPU 最小闭环——PushT

gym-pusht 的 action 是连续 2 维 [x,y]，范围 [0,512]；state observation 是 agent_x, agent_y, block_x, block_y, block_angle；reward 是 block 覆盖 goal zone 的比例，成功阈值是至少 95% coverage。

conda create -y -n pusht python=3.10
conda activate pusht
pip install gym-pusht

cat > smoke_pusht.py <<'PY'
import gymnasium as gym
import gym_pusht

env = gym.make("gym_pusht/PushT-v0", obs_type="state", render_mode="rgb_array")
obs, info = env.reset(seed=0)
returns = 0.0
for step in range(300):
    action = env.action_space.sample()
    obs, reward, terminated, truncated, info = env.step(action)
    returns += float(reward)
    frame = env.render()
    if terminated or truncated:
        break
print({"steps": step + 1, "return": returns, "coverage": info.get("coverage"), "success": info.get("success")})
PY
python smoke_pusht.py

P1：接入 LeRobot 生态

当你需要统一的数据格式、imitation policy、SmolVLA 或复现实验时，再进入 LeRobot。官方安装文档推荐 Python 3.12，并按 workflow 安装可选 extras。

conda create -y -n lerobot python=3.12
conda activate lerobot

git clone https://github.com/huggingface/lerobot.git
cd lerobot
pip install -e ".[core_scripts]"
pip install -e ".[training]"
pip install -e ".[pusht]"

python -c "import gym_pusht; print('PushT extra ready')"

在这一层要补齐：episode-safe split、dataset schema audit、action normalization、baseline、训练日志和复现命令。

P2：GPU 与更复杂机器人

如果目标从 2D PushT 升级到 locomotion、manipulation、视觉渲染和大规模并行，再考虑以下路线。

# MuJoCo Playground，官方源码路线
git clone git@github.com:google-deepmind/mujoco_playground.git
cd mujoco_playground
uv venv --python 3.12
source .venv/bin/activate
uv pip install -U "jax[cuda12]" --index-url https://pypi.org/simple
uv --no-config sync --all-extras
python -c "import mujoco_playground; print('Success')"
python -c "from mujoco_playground import locomotion; locomotion.load('G1JoystickFlatTerrain')"

# ManiSkill，Linux + NVIDIA 支持最完整
pip install --upgrade mani_skill
pip install torch
# 渲染还需按官方文档配置 Vulkan

Isaac Lab 适合 NVIDIA Isaac Sim 生态中的高性能仿真、向量化渲染、domain randomization 和 cloud workflow。先确认 GPU、驱动、安装路线和任务需求，再迁移。

没有本地 GPU 时怎么办

• 优先：使用你已有的远端 H200 容器，环境锁定最稳。
• 次优：官方 Colab 只用于快速理解 GPU-parallel simulation，不适合当作长期可复现实验环境。
• 浏览器 demo：适合建立直觉，不能作为研究指标。
• 纯 CPU：PushT + state observation 足够完成第一轮 schema、baseline、offline metric 和闭环实验。

P0–P10 标准操作流程

证据边界

• 仿真成功不能写成真机成功；如要主张 sim-to-real，必须报告真机协议和失败条件。
• domain randomization 可以提高鲁棒性，但不能保证迁移成功。
• GPU 并行提高采样效率，不等于结果更正确。
• 官方 Colab 适合理解接口，长期实验要固定环境版本。
• 不同平台的 action space、控制频率和物理参数不可直接比较。

检索练习

本课一手来源

gym-pusht 官方仓库；LeRobot installation；MuJoCo Playground；ManiSkill；Isaac Lab。