NVIDIA Isaac GR00T N1 入门教程（一） 人形机器人多模态大语言模型

系列文章目录

目录

系列文章目录

前言

一、目标受众

二、前提条件

三、安装指南

四、开始使用本软件仓库

4.1 数据格式与加载

4.2 推理

4.3 微调

4.4 评估

五、常见问题

5.1 我有自己的数据，下一步该如何微调？

5.2 什么是模态配置？Embodiment Tag？

5.3 Gr00tPolicy 的推理速度如何？

---

前言

        英伟达™ Isaac GR00T N1 是世界上首个用于通用仿人机器人推理和技能的开放式基础模型。该跨体模型采用多模态输入（包括语言和图像）在不同环境中执行操作任务。

        GR00T N1 在一个庞大的仿人机器人数据集上进行训练，该数据集包括真实捕获数据、使用英伟达 Isaac GR00T Blueprint 组件生成的合成数据（神经生成轨迹示例）以及互联网规模的视频数据。通过后期训练，它可以适应特定的应用、任务和环境。

        GR00T N1 的神经网络架构是视觉语言基础模型与扩散变换器头的结合，可对连续动作进行去噪处理。以下是该架构的示意图：

        以下是使用 GR00T N1 的一般流程：

• 假设用户已经收集了一个机器人演示数据集，其形式为（视频、状态、动作）三元组。
• 用户首先要将演示数据转换为与 LeRobot 兼容的数据模式（更多信息请参见 getting_started/LeRobot_compatible_data_schema.md），该模式与上游的 Huggingface LeRobot 兼容。
• 我们的软件仓库提供了一些示例，用于配置不同的配置，以便使用不同的机器人体现形式进行训练。
• 我们的软件仓库提供了方便的脚本，可在用户数据上对预训练的 GR00T N1 模型进行微调，并运行推理。
• 用户将把 Gr00tPolicy 连接到机器人控制器，以便在目标硬件上执行操作。

---

一、目标受众

        GR00T N1 面向仿人机器人领域的研究人员和专业人员。该资源库提供以下工具

• 利用预训练的基础模型进行机器人控制
• 在小型定制数据集上进行微调
• 用最少的数据使模型适应特定的机器人任务
• 部署推理模型

        重点是通过微调实现机器人行为的定制化。

二、前提条件

• 我们已在 Ubuntu 20.04 和 22.04、GPU： H100、L40、RTX 4090 和 A6000 用于微调，Python==3.10，CUDA 版本 12.4。
• 在推理方面，我们在 Ubuntu 20.04 和 22.04 上进行了测试，GPU：H100、L40、RTX 4090 和 A6000： RTX 4090 和 A6000
• 如果尚未安装 CUDA 12.4，请按照此处的说明进行安装。
• 请确保系统中已安装以下依赖项：ffmpeg、libsm6、libxext6

三、安装指南

        克隆版本库

git clone https://github.com/NVIDIA/Isaac-GR00T
cd Isaac-GR00T

        创建新的 conda 环境并安装依赖项。我们推荐使用 Python 3.10：

        请注意，请确保您的 CUDA 版本为 12.4。否则，您可能很难正确配置 flash-attn 模块。

conda create -n gr00t python=3.10
conda activate gr00t
pip install --upgrade setuptools
pip install -e .
pip install --no-build-isolation flash-attn==2.7.1.post4 

四、开始使用本软件仓库

        我们在 ./getting_started 文件夹中提供了可访问的 Jupyter 笔记本和详细文档。实用脚本可在 ./scripts 文件夹中找到。

4.1 数据格式与加载

        为了加载和处理数据，我们使用 Huggingface LeRobot 数据，但使用了更详细的模式和注释模式（我们称之为 “LeRobot 兼容数据模式”）。

        LeRobot 数据集的示例存储在这里：./demo_data/robot_sim.PickNPlace. (附带附加 modality.json 文件）

        数据集格式的详细说明请参阅 getting_started/LeRobot_compatible_data_schema.md

        一旦数据以这种格式整理好，就可以使用 LeRobotSingleDataset 类加载数据。

from gr00t.data.dataset import LeRobotSingleDataset
from gr00t.data.embodiment_tags import EmbodimentTag
from gr00t.data.dataset import ModalityConfig
from gr00t.experiment.data_config import DATA_CONFIG_MAP

# get the data config
data_config = DATA_CONFIG_MAP["gr1_arms_only"]

# get the modality configs and transforms
modality_config = data_config.modality_config()
transforms = data_config.transform()

# This is a LeRobotSingleDataset object that loads the data from the given dataset path.
dataset = LeRobotSingleDataset(
    dataset_path="demo_data/robot_sim.PickNPlace",
    modality_configs=modality_config,
    transforms=None,  # we can choose to not apply any transforms
    embodiment_tag=EmbodimentTag.GR1, # the embodiment to use
)

# This is an example of how to access the data.
dataset[5]

        getting_started/0_load_dataset.ipynb 是一个交互式教程，介绍如何加载数据并进行处理，以便与 GR00T N1 模型连接。

        scripts/load_dataset.py 是一个可执行脚本，内容与笔记本相同。

4.2 推理

        GR00T N1 模型托管在 Huggingface 上。

        交叉体现数据集示例见 demo_data/robot_sim.PickNPlace

from gr00t.model.policy import Gr00tPolicy
from gr00t.data.embodiment_tags import EmbodimentTag

# 1. Load the modality config and transforms, or use above
modality_config = ComposedModalityConfig(...)
transforms = ComposedModalityTransform(...)

# 2. Load the dataset
dataset = LeRobotSingleDataset(.....<Same as above>....)

# 3. Load pre-trained model
policy = Gr00tPolicy(
    model_path="nvidia/GR00T-N1-2B",
    modality_config=modality_config,
    modality_transform=transforms,
    embodiment_tag=EmbodimentTag.GR1,
    device="cuda"
)

# 4. Run inference
action_chunk = policy.get_action(dataset[0])

        getting_started/1_gr00t_inference.ipynb是建立推理管道的交互式Jupyter笔记本教程。

        用户还可以使用提供的脚本运行推理服务。推理服务可在服务器模式或客户端模式下运行。

python scripts/inference_service.py --model_path nvidia/GR00T-N1-2B --server

        在另一个终端上运行客户端模式，向服务器发送请求。

python scripts/inference_service.py  --client

4.3 微调

        用户可以运行下面的微调脚本，利用示例数据集对模型进行微调。相关教程请参见 getting_started/2_finetuning.ipynb。

        然后运行微调脚本：

# first run --help to see the available arguments
python scripts/gr00t_finetune.py --help

# then run the script
python scripts/gr00t_finetune.py --dataset-path ./demo_data/robot_sim.PickNPlace --num-gpus 1

        您还可以从我们发布的 huggingface 模拟数据中下载样本数据集。

huggingface-cli download  nvidia/PhysicalAI-Robotics-GR00T-X-Embodiment-Sim \
  --repo-type dataset \
  --include "gr1_arms_only.CanSort/**" \
  --local-dir $HOME/gr00t_dataset

        建议的微调配置是将批次规模提升到最大，并进行 20k 步的训练。

        硬件性能考虑因素

• 微调性能： 我们使用 1 个 H100 节点或 L40 节点进行最佳微调。其他硬件配置（如 A6000、RTX 4090）也可以使用，但收敛时间可能更长。具体的批量大小取决于硬件以及正在调整的模型组件。
• 推理性能： 对于实时推理，大多数现代 GPU 在处理单个样本时的性能都差不多。我们的基准测试表明，L40 和 RTX 4090 的推理速度差异很小。

        关于新的体现微调，请查看我们的笔记本 getting_started/3_new_embodiment_finetuning.ipynb。

4.4 评估

        为了对模型进行离线评估，我们提供了一个脚本，可以在数据集上对模型进行评估，并绘制出评估图。

        运行新训练的模型

python scripts/inference_service.py --server \
    --model_path <MODEL_PATH> \
    --embodiment_tag new_embodiment

        运行离线评估脚本

python scripts/eval_policy.py --plot \
    --dataset_path <DATASET_PATH> \
    --embodiment_tag new_embodiment

        然后，您将看到 “地面实况 ”与 “预测行动 ”的对比图，以及行动的非规范 MSE。这将表明该策略在数据集上的表现是否良好。

五、常见问题

5.1 我有自己的数据，下一步该如何微调？

• 本软件包假定您的数据已经按照 LeRobot 格式进行了整理。

5.2 什么是模态配置？Embodiment Tag？

• 体现标签： 定义所使用的机器人化身，非预处理化身标签均视为新化身标签。
• 模态配置： 定义数据集中使用的模式（如视频、状态、动作等）
• 变换配置（Transform Config）： 定义数据载入过程中应用于数据的数据变换。
• 更多详情，请参阅 getting_started/4_deeper_understanding.md

5.3 Gr00tPolicy 的推理速度如何？

        以下是基于单个 L40 GPU 的基准测试结果。使用 RTX 4090 等消费级 GPU 进行推理（单样本处理）的性能大致相同：

模块	推理速度
VLM Backbone	22.92 ms
Action Head with 4 diffusion steps	4 x 9.90ms = 39.61 ms
Full Model	62.53 ms

        我们注意到，在推理过程中，4 个去噪步骤就足够了。