Isaac Gym安装及使用教程

引言：在机器人任务训练过程中，仿真平台是至关重要的工具，它不仅能加速算法验证，还能减少实际硬件的消耗和风险。目前，主流的机器人仿真平台包括 Isaac Sim、Isaac Gym、PyBullet 和 MuJoCo，它们各具优势，适用于不同的应用场景。其中，Isaac Gym 以其高效的 GPU 加速能力和大规模并行仿真性能，成为强化学习训练和机器人控制研究的重要选择。 本文将详细介绍 Isaac Gym 的安装过程。

仿真平台对比

平台	优点	缺点	适用场景
Isaac Sim	- 提供真实物理引擎和高质量渲染，适合机器人与环境的交互模拟。 - 完全集成 NVIDIA 硬件和软件，支持 GPU 加速和深度学习任务。 - 强大的 API 支持，兼容 ROS。	- 安装和配置复杂，需特定 NVIDIA GPU 和驱动。 - 高硬件要求，尤其在图形渲染方面。	- 机器人开发、测试和模拟。 - 深度学习算法训练，尤其是高质量图形渲染任务。
Isaac Gym	- 高效 GPU 加速，支持大规模并行仿真任务。 - 专注于强化学习训练，适用于物理模拟与优化。 - 与 NVIDIA 深度学习工具集成，提供更强的计算性能。	- 界面简单，缺乏高级图形渲染。 - 依赖 CUDA 的硬件，仅支持 NVIDIA GPU。	- 强化学习训练，尤其是大规模并行仿真。 - 机器人控制策略优化，数据驱动方法。
PyBullet	- 轻量级，易用，适合快速原型开发。 - 支持多种机器人模型和物理仿真。 - 提供 Python API，易于与机器学习框架集成。	- 图形渲染和仿真精度较低，不适合复杂环境模拟。 - 相对于其他平台，缺乏高级功能和并行支持。	- 机器人控制、运动学和动力学研究。 - 机器学习中的仿真与强化学习应用。 - 学术研究和教育中的快速验证。
MuJoCo	- 高效的物理引擎，提供精确的刚体动力学模拟。 - 支持多种控制任务，适用于复杂的机器人控制。 - 提供高效的图形渲染，适合精确的仿真。	- 需要付费许可证，商业版本相对较贵。 - 相比其他平台，开源社区和文档支持较小。	- 机器人控制与运动学研究，尤其在精确动力学模拟中。 - 强化学习任务，涉及复杂控制和仿真。

1. Isaac Gym环境安装

1.1 下载

IsaacGym_Preview_4_Package下载地址

Nvidia官方最低配置要求

• Ubuntu 18.04, or 20.04.
• Python 3.6, 3.7, or 3.8
• NVIDIA driver version: 470.74 (470 or above required)
• Minimum required hardware: NVIDIA Pascal or later GPU with at least 8gb of VRAM
  
  然后我们对上面所下载的压缩包进行解压缩即可，将会得到 isaacgym 文件夹，目录结构如下图。

解压缩相关命令

# 解压到当前目录
tar -zxvf IsaacGym_Preview_4_Package.tar.gz
# 解压到指定目录下
tar -zxvf IsaacGym_Preview_4_Package.tar.gz -C 目标目录

1.2 安装

Isaac Gym安装的相关指令

# 进入到指定目录下
 cd isaacgym/python/
# 运行官方安装脚本 创建 名为rlgpu的 conda环境
 sh ../create_conda_env_rlgpu.sh
# 注：若使用上述 sh 运行脚本时出现语法错误 则可以使用 bash 进行替换
 bash ../create_conda_env_rlgpu.sh

注：此过程可能会有些慢，耐心等待一会~

Isaac Gym安装conda环境可能出现的问题及解决办法
执行上述指令之后可能会出现如下问题

~/autodl-tmp/isaacgym/python ~/autodl-tmp/isaacgym/python
Collecting package metadata (repodata.json): - WARNING conda.models.version:get_matcher(537): Using .* with relational operator is superfluous and deprecated and will be removed in a future version of conda. Your spec was 1.8.0.*, but conda is ignoring the .* and treating it as 1.8.0
WARNING conda.models.version:get_matcher(537): Using .* with relational operator is superfluous and deprecated and will be removed in a future version of conda. Your spec was 1.6.0.*, but conda is ignoring the .* and treating it as 1.6.0
WARNING conda.models.version:get_matcher(537): Using .* with relational operator is superfluous and deprecated and will be removed in a future version of conda. Your spec was 1.7.1.*, but conda is ignoring the .* and treating it as 1.7.1
WARNING conda.models.version:get_matcher(537): Using .* with relational operator is superfluous and deprecated and will be removed in a future version of conda. Your spec was 1-9.0.*, but conda is ignoring the .* and treating it as 1.9./done  
Solving environment : / 一直在解决环境解析依赖 转圈 

如果安装速度很慢，解决办法如下，使用 mamba(一个更快的conda替代品) 来进行加速安装。

# 安装 mamba（如果未安装）
conda install -n base -c conda-forge mamba -y
# 使用 mamba 加速安装（如果已安装 mamba）
mamba env create -f rlgpu_conda_env.yml

2. Isaac Gym测试是否可用

上述指令执行成功之后，会创建一个名为rlgpu的新环境。然后我们将进行测试isaac gym是否可以使用。

# 激活 rlgpu 环境
conda activate rlgpu
# 进入 examples 目录下
cd examples 
# 执行某个 py 文件
python joint_monkey.py

此时，可能出现的问题如下

问题1 —> 报错 isaacgym 模块 找不到
问题2，见下图 —>
解决问题1

cd isaacgym/python/
pip install -e .

解决问题2

# 1. 检查 Isaac Gym 依赖库 会发现libcarb.gym.plugin.so 依赖的 
# libmem_filesys.so、libboost_thread.so.1.68.0 和 
# libboost_system.so.1.68.0 没有找到，导致 gymapi.acquire_gym() 失败。
ldd ~/lty/isaacgym/python/isaacgym/_bindings/linux-x86_64/libcarb.gym.plugin.so

# 2. 手动添加 libmem_filesys.so 到 LD_LIBRARY_PATH
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/a3090/lty/isaacgym/python/isaacgym/_bindings/linux-x86_64
# 3. 然后再检查
ldd ~/lty/isaacgym/python/isaacgym/_bindings/linux-x86_64/libcarb.gym.plugin.so
# 4. 持久化 LD_LIBRARY_PATH 避免重启后需要重新配置 可以把 LD_LIBRARY_PATH 写入 ~/.bashrc
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/a3090/lty/isaacgym/python/isaacgym/_bindings/linux-x86_64' >> ~/.bashrc
source ~/.bashrc

# 5. 重新运行 joint_monkey.py 看看是否解决 如果成功 会出现如下图形界面
python joint_monkey.py

3. 相关知识点

3.1 Mamba vs Conda

mamba 是 conda 的一个高性能替代方案，由 conda-forge 社区开发，目标是解决 conda 在包解析和安装速度方面的不足。

1. Conda vs Mamba 简介

🔹 Conda

• conda 是一个开源的包管理和环境管理工具，主要用于 Python 和其他语言的依赖管理。
• 通过解析 Anaconda 或 Miniconda 的软件包，并自动解决依赖关系。

🔹 Mamba

• mamba 是 conda 的 C++ 重写版本，大幅提高了解析和安装速度。
• 兼容 conda，但性能更优，特别适用于大规模环境管理。

2. Mamba 主要优势

✅ 速度更快：

• mamba 采用 libsolv（一个高效的依赖解析库），能更快地解析包依赖。
• mamba 采用并行下载，提高安装效率。

✅ 更稳定：

• 避免 conda 解析冲突导致的 “Solving environment: failed” 错误。
• 适用于复杂环境和大规模软件安装。

✅ 更少的资源占用：

• mamba 使用 C++ 开发，而 conda 主要基于 Python，运行时占用更少资源。

✅ 兼容性强：

• mamba 100% 兼容 conda 命令，只需用 mamba 替换 conda 即可。
• 适用于 conda 生态，如 conda-forge、bioconda、nvidia 频道等。

✅ 支持 micromamba（轻量级版本）：

• micromamba 是 mamba 的精简版，不依赖 conda，适用于容器和自动化任务。

3. Mamba 和 Conda 命令对比

使用 mamba 的方式与 conda 一样，只需把 conda 替换成 mamba：

操作	Conda 命令	Mamba 命令
创建环境	conda create -n myenv python=3.9 -y	mamba create -n myenv python=3.9 -y
激活环境	conda activate myenv	mamba activate myenv
安装包	conda install numpy pandas -y	mamba install numpy pandas -y
更新包	conda update numpy -y	mamba update numpy -y
移除包	conda remove numpy -y	mamba remove numpy -y
删除环境	conda remove -n myenv --all -y	mamba remove -n myenv --all -y
列出已安装包	conda list	mamba list
搜索包	conda search numpy	mamba search numpy

4. Mamba vs Conda 总结（表格对比）

特性	Conda	Mamba
速度	慢，解析依赖时间长	快，使用 libsolv 解析
稳定性	复杂环境下可能解析失败	依赖解析更可靠
并行下载	否	是，速度更快
资源占用	较高	较低
兼容性	适用于 conda 生态	100% 兼容 conda
支持微型版本	否	micromamba（适用于容器）
推荐场景	一般用户	需要高效环境管理的用户

5. 什么时候应该使用 Mamba？

• 环境安装速度慢（conda env create 时间过长）。
• 安装大规模依赖（如 pytorch、tensorflow、cuda 等）。
• 解决 Conda 解析失败问题（避免 Solving environment: failed）。
• 在 Docker 容器或自动化任务中使用（micromamba 适用于轻量级环境）。

3.2 GPU使用情况查看

观察nvidia-smi实时变化

# 这会每秒刷新 nvidia-smi ，如果你运行深度学习或 GPU 仿真任务，可以实时看到
# GPU-Util 和 Memory-Usage 变化。如果 GPU-Util 上升到 50%甚至100%，
# 说明GPU正在高负载运行。按Ctrl+C退出。
watch -n 1 nvidia-smi

3.3 CUDA版本查看

# 检查所安装的 CUDA 版本
nvcc -V