尧图网站建设 
Isaac Lab 使用uv run零配置启动 RL 训练与评估Kit-less 实验特性完整指南【免费下载链接】IsaacLabUnified framework for robot learning with multi-physics/renderer support项目地址: https://gitcode.com/GitHub_Trending/is/IsaacLab导读本文基于 Isaac Lab 官方文档的uv_run章节系统讲解如何利用 Rust 生态的包管理器uv在不创建虚拟环境、不手动激活环境的情况下一条命令直接启动强化学习RL训练与评估——包括完全脱离 Isaac Sim 的 Kit-less Newton 后端训练流程。读完本文你将掌握uv run train/uv run play的完整命令语法、--extra ov --extra rtx可选依赖的取舍逻辑、五种受支持 RL 库的切换方式以及该机制背后由仓库根目录 pyproject.toml 驱动的自动依赖解析原理。实验性特性警告该特性处于实验阶段后续版本可能发生变化。当前仓库中该文档的原始标注为This feature is experimental and subject to change in future releases。uv run模式为何能做到克隆即训练传统上运行 Isaac Lab 需要先创建 conda/uv 虚拟环境、激活环境、安装扩展./isaaclab.sh -i等一串前置步骤。而uv run模式把这一步彻底简化你只需要安装uv并克隆仓库每条训练/评估命令执行时uv都会依据仓库根目录的 pyproject.toml自动解析、创建并复用隔离环境无需任何手动环境管理环境解析结果会被缓存后续命令复用因此首次运行略慢、之后即可快速启动。从仓库源码看这一机制之所以可行是因为仓库根目录的 pyproject.toml 定义了名为isaaclab-dev的开发环境元数据并通过[tool.uv.sources]把source/下所有 Isaac Lab 子包isaaclab、isaaclab-assets、isaaclab-newton、isaaclab-rl、isaaclab-tasks等以editable可编辑方式挂载到环境中同时通过[tool.uv.index]配置了pypi.nvidia.com与 PyTorch 专属索引。这意味着uv run每次调用都能精确复现这套开发依赖组合。前置准备安装uvuv是 Astral 出品的 Python 包/环境管理器安装方式遵循官方一键脚本curl -LsSf https://astral.sh/uv/install.sh | sh安装完成后在仓库根目录下即可直接使用uv run系列命令。仓库还提供了独立的 uv 环境创建入口./isaaclab.sh -u即command_setup_uv位于 source/isaaclab/isaaclab/cli/commands/envs.py它会校验uv是否可用、按 Isaac Sim 对应版本确定 Python 版本并向激活脚本注入ISAACLAB_PATH、isaaclab别名等环境钩子——这是把 uv 环境当作传统虚拟环境使用时的可选路径而uv run模式本身不需要这一步。克隆仓库后直接开始训练文档给出的核心命令为省略了仓库克隆命令的生成占位实际操作时先克隆仓库到本地例如git clone https://gitcode.com/GitHub_Trending/is/IsaacLab后进入目录# Newton 后端训练无需 Isaac Sim uv run train --rl_library rsl_rl \ --task Isaac-Cartpole-Direct-v0 physicsnewton_mjwarp这条命令等价于把整个环境准备 训练启动压缩成一次调用uv run解析 pyproject.toml 中的项目与依赖自动构建隔离环境默认 Python 版本约束为3.12,3.13train子命令被路由到uv run项目所依赖的 CLI 入口在常规安装中对应isaaclab.sh train其底层实现为 scripts/reinforcement_learning/train.py统一分发到所选 RL 库的专属训练脚本--rl_library rsl_rl指定训练框架--task Isaac-Cartpole-Direct-v0指定任务physicsnewton_mjwarp是 Hydra 风格的配置覆盖把物理后端切换为 Newton 的 MuJoCo-Warp 求解器详见下文。各参数逐一解读参数含义可选值 / 默认行为train统一训练入口对应 scripts/reinforcement_learning/train.py 中的main()--rl_library选择 RL 训练框架rsl_rl、rl_games、skrl、sb3、rlinf必填--task要训练的任务名例如Isaac-Cartpole-Direct-v0可通过list_envs脚本枚举physics...Hydra 覆盖物理后端/求解器预设newton_mjwarpMuJoCo-Warp、physxIsaac Sim PhysX等此外train入口还支持一组通用 CLI 参数来自 scripts/reinforcement_learning/common.py 的add_common_train_args可与上述命令自由组合--num_envs N覆盖场景中的并行环境数量env_cfg.scene.num_envs--max_iterations NRL 策略最大训练迭代数--seed N环境随机种子--agent PATH指定 agent 配置入口--video/--video_length/--video_interval训练中录制视频开启后会自动启用相机渲染默认录制长度 200 步、间隔 2000 步--distributed多 GPU / 多节点训练与 CPU 设备互斥源码中会显式校验--export_io_descriptors导出 IO 描述符仅 manager-based 环境支持。值得注意的优先级规则这些--param形式的旧式 CLI 参数优先于等价的 Hydra 覆盖参数详见 docs/source/features/hydra.rst也就是说--num_envs16会覆盖physics...之外任何来自配置文件或 Hydra 链上对scene.num_envs的设定。按需启用ov/rtx可选依赖并非所有工作流都需要图形与 OV 运行时。文档明确建议只在流程确实需要时才追加额外依赖# 需要 OVRTX / OVPhysX 扩展时追加 --extra uv run --extra ov --extra rtx train --rl_library rsl_rl \ --task Isaac-Cartpole-Direct-v0 physicsnewton_mjwarp这里的--extra参数直接对应当前仓库 pyproject.toml 中[project.optional-dependencies]声明的 extrasExtra 名安装内容用途ovisaaclab-ovphysx[ovphysx]OVPhysX 物理运行时rtxisaaclab-ov[ovrtx]OVRTX 渲染后端newtonisaaclab-newton[all]、isaaclab-physx[newton]、isaaclab-visualizers[newton]Newton 物理与可视化器rl/rl-allisaaclab-rl[rsl-rl]或全部 RL 框架RL 框架依赖mimicisaaclab-mimic模仿学习工具all上述主要组合全量开发依赖注意文档给出的physicsnewton_mjwarp基础训练命令不依赖ov/rtx因为 Newton 的 MuJoCo-Warp 求解器是纯 GPU 张量计算路径只有当你需要 OVRTX 渲染或 OVPhysX 后端时才需要这两个 extras。这与 Kit-less 安装中OV 运行时默认不装、按需请求的设计一致详见 docs/source/setup/installation/include/selective_install.rst。--rl_library支持的框架与源码分发逻辑uv run训练模式下--rl_library的合法取值与常规isaaclab.sh train完全一致文档明确列出五种rsl_rl、rl_games、skrl、sb3、rlinf。这一分发的底层实现在 scripts/reinforcement_learning/train.py 的LIBRARY_ENTRYPOINTS映射表中--rl_library实际执行入口rl_gamesscripts/reinforcement_learning/rl_games/train_rl_games.pyrlinfscripts/reinforcement_learning/rlinf/train_rlinf.pyrsl_rlscripts/reinforcement_learning/rsl_rl/train_rsl_rl.pysb3scripts/reinforcement_learning/sb3/train_sb3.pyskrlscripts/reinforcement_learning/skrl/train_skrl.py分发函数dispatch_library_entrypointscripts/reinforcement_learning/common.py先解析--rl_library再把剩余参数原样转发给对应库的run()。这也解释了为什么不同框架的参数写法会有差异——例如设置随机种子时rsl_rl/skrl/sb3用agent.seed2024而rl_games用agent.params.seed2024两者都是 Hydra 覆盖语法见 docs/source/features/hydra.rst。对应地play入口的框架分发由 scripts/reinforcement_learning/play.py 以同样的映射表实现。Play / 评估加载策略进行推理训练完成后使用play子命令加载已训练策略进行评估与可视化uv run play --rl_library rsl_rl --task any_taskany_task替换为任意已注册任务名如Isaac-Cartpole-Direct-v0。与train相同的规则在这里同样适用uv run复用同一套自动解析的环境--rl_library取值范围与训练完全一致五种库可以叠加physics...、--num_envs、--seed等参数控制回放时的物理后端与场景规模从源码看play 分发同样支持视频录制等通用参数便于在评估时录制策略表现。无需 Isaac SimKit-less 训练路径的本质uv run训练命令之所以能做到无 Isaac Sim是因为仓库提供了Kit-less 模式Newton 后端含 MuJoCo-Warp 求解器不依赖 Isaac Sim 的 Kit 运行时即可完成 GPU 加速仿真与训练。这一点在 docs/source/setup/installation/kitless_installation.rst 中有明确的功能边界划分Kit-less 模式无需 Isaac Sim可用Newton 物理仿真GPU 加速含 MuJoCo-Warp 求解器所有支持 Newton 的 manager-based / direct RL 环境基于 SKRL、RSL-RL 等框架的 RL 训练兼容 Newton 的机器人资产ovphysx 与 ovrtx 后端。仍然需要 Isaac Sim 的功能Isaac Sim PhysX 物理后端区别于 ovphysxIsaac Sim RTX 渲染区别于 ovrtxKit 可视化器URDF / MJCF 导入器GUI 交互Surface gripper仅 Isaac Sim PhysXPhysX Deformable 仿真遥操作与模仿学习工作流。因此如果你的任务如Isaac-Cartpole-Direct-v0只依赖 Newton 后端那么uv run train ... physicsnewton_mjwarp就是最短路径一旦涉及上述需要 Isaac Sim 的功能则仍需走完整的 Isaac Sim 安装流程pip 安装方式参见 docs/source/setup/installation/kitless_installation.rst 中指向的 pip 安装文档。关于physicsnewton_mjwarp预设newton_mjwarp是任务配置上暴露的物理预设对应 Newton 后端的主求解器——Google DeepMind 的 MuJoCo-Warp。在代码层面它把SimulationCfg.physics设置为NewtonCfg替代 PhysX 路径的PhysxCfg并在其中携带MJWarpSolverCfg的求解器参数详见 docs/source/overview/core-concepts/physical-backends/newton/mjwarp-solver.rst。对性能与仿真行为影响显著的关键参数包括njmax每个环境预分配的约束行数过大拖慢仿真过小可能丢失约束nconmax预分配的最大接触点数ls_iterations每次求解迭代的最大线搜索次数越低越快cone摩擦锥近似方式可选pyramidal/ellipticls_parallel并行化线搜索提速但降低稳定性开启时建议ls_iterations提高约 50%impratio摩擦与法向约束阻抗比控制切向力的显著性。这些参数属于求解器级配置通过 Hydra 覆盖即可在命令行微调例如physics.solver_cfg.ls_iterations20之类具体层级以任务配置为准是后续做性能调优时的入手点。底层原理uv run如何自动解析环境要让克隆即训练成立仓库根目录的 pyproject.toml 提供了完整的工程化支撑值得逐条理解[project]元数据项目名isaaclab-devPython 版本约束3.12,3.13并在dependencies中直接声明了isaaclab、isaaclab-assets、isaaclab-newton[all]、isaaclab-rl[rsl-rl]、torch2.10.0等核心依赖[tool.uv.sources]把source/下 14 个 Isaac Lab 子包统一以editable true方式挂载保证uv run中直接 import 到的是仓库内的源码[tool.uv.index]注册pypi.nvidia.com作为默认索引、PyTorch 的cu128/cu130专属索引并按平台标记x86_64 / aarch64、Linux / Windows自动选择对应 PyTorch 轮子[tool.uv]全局策略index-strategy unsafe-best-match、prerelease allow兼容只发布预发布轮子的 NVIDIA 包、python-preference only-managed由 uv 自行管理 Python 解释器这也是无需用户手动准备 Python 环境的关键。正是这套配置让每次uv run train/play ...都能在正确的索引与平台约束下解析出一致、可复现的开发环境——uv的缓存机制保证了后续调用几乎零成本。使用注意事项实验性特性uv run训练/评估模式在当前文档中被明确标注为实验性接口与行为可能在后续版本调整适用范围physicsnewton_mjwarp的 Kit-less 路径仅覆盖 Newton 后端能力涉及 Isaac Sim 专属功能PhysX 后端、Kit 可视化、URDF/MJCF 导入等时需要按完整安装流程配置 Isaac Sim平台与版本前提仓库要求 Python3.123.12,3.13Linux / Windows 均支持但如teleop等可选子模块仅在特定平台提供首次uv run会因环境解析与依赖下载耗时较长属正常现象与常规 CLI 的一致性uv run train/play与isaaclab.sh train/play走的是同一套训练/评估入口source/isaaclab/isaaclab/cli/init.py 中train/play命令均指向 scripts/reinforcement_learning/ 下的统一脚本因此参数语义完全对齐本文介绍的所有参数与框架切换规则可无缝迁移。延伸阅读pyproject.tomluv run环境解析的元数据源头dependencies、extras、uv index/sourcesdocs/source/setup/installation/kitless_installation.rstKit-less 模式的能力边界与安装方式docs/source/setup/installation/include/selective_install.rst模块化安装 tokennewton、rl[rsl-rl]、ov[ovrtx]等与uv run --extra的对应关系scripts/reinforcement_learning/train.py 与 scripts/reinforcement_learning/common.py训练/评估的统一入口与参数解析实现docs/source/features/hydra.rstphysics/agent.seed等 Hydra 覆盖语法详解docs/source/overview/core-concepts/physical-backends/newton/mjwarp-solver.rstMuJoCo-Warp 求解器参数与调优说明。【免费下载链接】IsaacLabUnified framework for robot learning with multi-physics/renderer support项目地址: https://gitcode.com/GitHub_Trending/is/IsaacLab创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Isaac Lab 使用 `uv run` 零配置启动 RL 训练与评估（Kit-less 实验特性）完整指南
Isaac Lab 使用uv run零配置启动 RL 训练与评估Kit-less 实验特性完整指南【免费下载链接】IsaacLabUnified framework for robot learning with multi-physics/renderer support项目地址: https://gitcode.com/GitHub_Trending/is/IsaacLab导读本文基于 Isaac Lab 官方文档的uv_run章节系统讲解如何利用 Rust 生态的包管理器uv在不创建虚拟环境、不手动激活环境的情况下一条命令直接启动强化学习RL训练与评估——包括完全脱离 Isaac Sim 的 Kit-less Newton 后端训练流程。读完本文你将掌握uv run train/uv run play的完整命令语法、--extra ov --extra rtx可选依赖的取舍逻辑、五种受支持 RL 库的切换方式以及该机制背后由仓库根目录 pyproject.toml 驱动的自动依赖解析原理。实验性特性警告该特性处于实验阶段后续版本可能发生变化。当前仓库中该文档的原始标注为This feature is experimental and subject to change in future releases。uv run模式为何能做到克隆即训练传统上运行 Isaac Lab 需要先创建 conda/uv 虚拟环境、激活环境、安装扩展./isaaclab.sh -i等一串前置步骤。而uv run模式把这一步彻底简化你只需要安装uv并克隆仓库每条训练/评估命令执行时uv都会依据仓库根目录的 pyproject.toml自动解析、创建并复用隔离环境无需任何手动环境管理环境解析结果会被缓存后续命令复用因此首次运行略慢、之后即可快速启动。从仓库源码看这一机制之所以可行是因为仓库根目录的 pyproject.toml 定义了名为isaaclab-dev的开发环境元数据并通过[tool.uv.sources]把source/下所有 Isaac Lab 子包isaaclab、isaaclab-assets、isaaclab-newton、isaaclab-rl、isaaclab-tasks等以editable可编辑方式挂载到环境中同时通过[tool.uv.index]配置了pypi.nvidia.com与 PyTorch 专属索引。这意味着uv run每次调用都能精确复现这套开发依赖组合。前置准备安装uvuv是 Astral 出品的 Python 包/环境管理器安装方式遵循官方一键脚本curl -LsSf https://astral.sh/uv/install.sh | sh安装完成后在仓库根目录下即可直接使用uv run系列命令。仓库还提供了独立的 uv 环境创建入口./isaaclab.sh -u即command_setup_uv位于 source/isaaclab/isaaclab/cli/commands/envs.py它会校验uv是否可用、按 Isaac Sim 对应版本确定 Python 版本并向激活脚本注入ISAACLAB_PATH、isaaclab别名等环境钩子——这是把 uv 环境当作传统虚拟环境使用时的可选路径而uv run模式本身不需要这一步。克隆仓库后直接开始训练文档给出的核心命令为省略了仓库克隆命令的生成占位实际操作时先克隆仓库到本地例如git clone https://gitcode.com/GitHub_Trending/is/IsaacLab后进入目录# Newton 后端训练无需 Isaac Sim uv run train --rl_library rsl_rl \ --task Isaac-Cartpole-Direct-v0 physicsnewton_mjwarp这条命令等价于把整个环境准备 训练启动压缩成一次调用uv run解析 pyproject.toml 中的项目与依赖自动构建隔离环境默认 Python 版本约束为3.12,3.13train子命令被路由到uv run项目所依赖的 CLI 入口在常规安装中对应isaaclab.sh train其底层实现为 scripts/reinforcement_learning/train.py统一分发到所选 RL 库的专属训练脚本--rl_library rsl_rl指定训练框架--task Isaac-Cartpole-Direct-v0指定任务physicsnewton_mjwarp是 Hydra 风格的配置覆盖把物理后端切换为 Newton 的 MuJoCo-Warp 求解器详见下文。各参数逐一解读参数含义可选值 / 默认行为train统一训练入口对应 scripts/reinforcement_learning/train.py 中的main()--rl_library选择 RL 训练框架rsl_rl、rl_games、skrl、sb3、rlinf必填--task要训练的任务名例如Isaac-Cartpole-Direct-v0可通过list_envs脚本枚举physics...Hydra 覆盖物理后端/求解器预设newton_mjwarpMuJoCo-Warp、physxIsaac Sim PhysX等此外train入口还支持一组通用 CLI 参数来自 scripts/reinforcement_learning/common.py 的add_common_train_args可与上述命令自由组合--num_envs N覆盖场景中的并行环境数量env_cfg.scene.num_envs--max_iterations NRL 策略最大训练迭代数--seed N环境随机种子--agent PATH指定 agent 配置入口--video/--video_length/--video_interval训练中录制视频开启后会自动启用相机渲染默认录制长度 200 步、间隔 2000 步--distributed多 GPU / 多节点训练与 CPU 设备互斥源码中会显式校验--export_io_descriptors导出 IO 描述符仅 manager-based 环境支持。值得注意的优先级规则这些--param形式的旧式 CLI 参数优先于等价的 Hydra 覆盖参数详见 docs/source/features/hydra.rst也就是说--num_envs16会覆盖physics...之外任何来自配置文件或 Hydra 链上对scene.num_envs的设定。按需启用ov/rtx可选依赖并非所有工作流都需要图形与 OV 运行时。文档明确建议只在流程确实需要时才追加额外依赖# 需要 OVRTX / OVPhysX 扩展时追加 --extra uv run --extra ov --extra rtx train --rl_library rsl_rl \ --task Isaac-Cartpole-Direct-v0 physicsnewton_mjwarp这里的--extra参数直接对应当前仓库 pyproject.toml 中[project.optional-dependencies]声明的 extrasExtra 名安装内容用途ovisaaclab-ovphysx[ovphysx]OVPhysX 物理运行时rtxisaaclab-ov[ovrtx]OVRTX 渲染后端newtonisaaclab-newton[all]、isaaclab-physx[newton]、isaaclab-visualizers[newton]Newton 物理与可视化器rl/rl-allisaaclab-rl[rsl-rl]或全部 RL 框架RL 框架依赖mimicisaaclab-mimic模仿学习工具all上述主要组合全量开发依赖注意文档给出的physicsnewton_mjwarp基础训练命令不依赖ov/rtx因为 Newton 的 MuJoCo-Warp 求解器是纯 GPU 张量计算路径只有当你需要 OVRTX 渲染或 OVPhysX 后端时才需要这两个 extras。这与 Kit-less 安装中OV 运行时默认不装、按需请求的设计一致详见 docs/source/setup/installation/include/selective_install.rst。--rl_library支持的框架与源码分发逻辑uv run训练模式下--rl_library的合法取值与常规isaaclab.sh train完全一致文档明确列出五种rsl_rl、rl_games、skrl、sb3、rlinf。这一分发的底层实现在 scripts/reinforcement_learning/train.py 的LIBRARY_ENTRYPOINTS映射表中--rl_library实际执行入口rl_gamesscripts/reinforcement_learning/rl_games/train_rl_games.pyrlinfscripts/reinforcement_learning/rlinf/train_rlinf.pyrsl_rlscripts/reinforcement_learning/rsl_rl/train_rsl_rl.pysb3scripts/reinforcement_learning/sb3/train_sb3.pyskrlscripts/reinforcement_learning/skrl/train_skrl.py分发函数dispatch_library_entrypointscripts/reinforcement_learning/common.py先解析--rl_library再把剩余参数原样转发给对应库的run()。这也解释了为什么不同框架的参数写法会有差异——例如设置随机种子时rsl_rl/skrl/sb3用agent.seed2024而rl_games用agent.params.seed2024两者都是 Hydra 覆盖语法见 docs/source/features/hydra.rst。对应地play入口的框架分发由 scripts/reinforcement_learning/play.py 以同样的映射表实现。Play / 评估加载策略进行推理训练完成后使用play子命令加载已训练策略进行评估与可视化uv run play --rl_library rsl_rl --task any_taskany_task替换为任意已注册任务名如Isaac-Cartpole-Direct-v0。与train相同的规则在这里同样适用uv run复用同一套自动解析的环境--rl_library取值范围与训练完全一致五种库可以叠加physics...、--num_envs、--seed等参数控制回放时的物理后端与场景规模从源码看play 分发同样支持视频录制等通用参数便于在评估时录制策略表现。无需 Isaac SimKit-less 训练路径的本质uv run训练命令之所以能做到无 Isaac Sim是因为仓库提供了Kit-less 模式Newton 后端含 MuJoCo-Warp 求解器不依赖 Isaac Sim 的 Kit 运行时即可完成 GPU 加速仿真与训练。这一点在 docs/source/setup/installation/kitless_installation.rst 中有明确的功能边界划分Kit-less 模式无需 Isaac Sim可用Newton 物理仿真GPU 加速含 MuJoCo-Warp 求解器所有支持 Newton 的 manager-based / direct RL 环境基于 SKRL、RSL-RL 等框架的 RL 训练兼容 Newton 的机器人资产ovphysx 与 ovrtx 后端。仍然需要 Isaac Sim 的功能Isaac Sim PhysX 物理后端区别于 ovphysxIsaac Sim RTX 渲染区别于 ovrtxKit 可视化器URDF / MJCF 导入器GUI 交互Surface gripper仅 Isaac Sim PhysXPhysX Deformable 仿真遥操作与模仿学习工作流。因此如果你的任务如Isaac-Cartpole-Direct-v0只依赖 Newton 后端那么uv run train ... physicsnewton_mjwarp就是最短路径一旦涉及上述需要 Isaac Sim 的功能则仍需走完整的 Isaac Sim 安装流程pip 安装方式参见 docs/source/setup/installation/kitless_installation.rst 中指向的 pip 安装文档。关于physicsnewton_mjwarp预设newton_mjwarp是任务配置上暴露的物理预设对应 Newton 后端的主求解器——Google DeepMind 的 MuJoCo-Warp。在代码层面它把SimulationCfg.physics设置为NewtonCfg替代 PhysX 路径的PhysxCfg并在其中携带MJWarpSolverCfg的求解器参数详见 docs/source/overview/core-concepts/physical-backends/newton/mjwarp-solver.rst。对性能与仿真行为影响显著的关键参数包括njmax每个环境预分配的约束行数过大拖慢仿真过小可能丢失约束nconmax预分配的最大接触点数ls_iterations每次求解迭代的最大线搜索次数越低越快cone摩擦锥近似方式可选pyramidal/ellipticls_parallel并行化线搜索提速但降低稳定性开启时建议ls_iterations提高约 50%impratio摩擦与法向约束阻抗比控制切向力的显著性。这些参数属于求解器级配置通过 Hydra 覆盖即可在命令行微调例如physics.solver_cfg.ls_iterations20之类具体层级以任务配置为准是后续做性能调优时的入手点。底层原理uv run如何自动解析环境要让克隆即训练成立仓库根目录的 pyproject.toml 提供了完整的工程化支撑值得逐条理解[project]元数据项目名isaaclab-devPython 版本约束3.12,3.13并在dependencies中直接声明了isaaclab、isaaclab-assets、isaaclab-newton[all]、isaaclab-rl[rsl-rl]、torch2.10.0等核心依赖[tool.uv.sources]把source/下 14 个 Isaac Lab 子包统一以editable true方式挂载保证uv run中直接 import 到的是仓库内的源码[tool.uv.index]注册pypi.nvidia.com作为默认索引、PyTorch 的cu128/cu130专属索引并按平台标记x86_64 / aarch64、Linux / Windows自动选择对应 PyTorch 轮子[tool.uv]全局策略index-strategy unsafe-best-match、prerelease allow兼容只发布预发布轮子的 NVIDIA 包、python-preference only-managed由 uv 自行管理 Python 解释器这也是无需用户手动准备 Python 环境的关键。正是这套配置让每次uv run train/play ...都能在正确的索引与平台约束下解析出一致、可复现的开发环境——uv的缓存机制保证了后续调用几乎零成本。使用注意事项实验性特性uv run训练/评估模式在当前文档中被明确标注为实验性接口与行为可能在后续版本调整适用范围physicsnewton_mjwarp的 Kit-less 路径仅覆盖 Newton 后端能力涉及 Isaac Sim 专属功能PhysX 后端、Kit 可视化、URDF/MJCF 导入等时需要按完整安装流程配置 Isaac Sim平台与版本前提仓库要求 Python3.123.12,3.13Linux / Windows 均支持但如teleop等可选子模块仅在特定平台提供首次uv run会因环境解析与依赖下载耗时较长属正常现象与常规 CLI 的一致性uv run train/play与isaaclab.sh train/play走的是同一套训练/评估入口source/isaaclab/isaaclab/cli/init.py 中train/play命令均指向 scripts/reinforcement_learning/ 下的统一脚本因此参数语义完全对齐本文介绍的所有参数与框架切换规则可无缝迁移。延伸阅读pyproject.tomluv run环境解析的元数据源头dependencies、extras、uv index/sourcesdocs/source/setup/installation/kitless_installation.rstKit-less 模式的能力边界与安装方式docs/source/setup/installation/include/selective_install.rst模块化安装 tokennewton、rl[rsl-rl]、ov[ovrtx]等与uv run --extra的对应关系scripts/reinforcement_learning/train.py 与 scripts/reinforcement_learning/common.py训练/评估的统一入口与参数解析实现docs/source/features/hydra.rstphysics/agent.seed等 Hydra 覆盖语法详解docs/source/overview/core-concepts/physical-backends/newton/mjwarp-solver.rstMuJoCo-Warp 求解器参数与调优说明。【免费下载链接】IsaacLabUnified framework for robot learning with multi-physics/renderer support项目地址: https://gitcode.com/GitHub_Trending/is/IsaacLab创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考