RoboSuite是一款基于MuJoCo物理引擎构建的机器人学习模拟框架。
在现有版本（v1.5）中，它涵盖了丰富多样的机器人实例支持，诸如人形机器人、自定义机器人组合，还包含复合控制器（像全身控制器等）、更多遥控设备选项，以及能够呈现出照片级逼真效果的渲染功能。
支持不同的机械臂：
支持机器狗SpotWithArmFloating：
支持人形机器人GR1ArmOnly：
一、认识robosuite机器人学习模拟框架
该框架最初由斯坦福视觉与学习实验室(SVL)的研究人员于 2017 年底开发，作为机器人学习研究的内部工具。
现在，它得到积极维护，并用于 SVL、UT 机器人感知与学习实验室(RPL) 和 NVIDIA通用体现代理研究组(GEAR) 的机器人研究项目。
**数据驱动算法（例如强化学习和模仿学习）**为机器人技术提供了强大且通用的工具。
在深度学习最新进展的推动下，这些学习范式在各类机器人控制问题中取得了令人振奋的成果。
Robosuite 的总体目标是为研究人员提供以下支持：
- 一套标准化的基准测试任务，用于严格评估和算法开发；
- 模块化设计，为创建新的机器人模拟环境提供了极大的灵活性；
- 高质量实现的机器人控制器和现成的学习算法，以降低入门门槛。
官方文档：https://robosuite.ai/docs/overview.html
开源地址：https://github.com/ARISE-Initiative/robosuite
二、安装robosuite
robosuite 支持 Python3上的macOS 和 Linux系统，安装需要依赖 MuJoCo物理引擎和numpy的支持。
有两种安装方式：通过pip直接安装，或者源码安装（方便开发，支持修改代码）
方式1：通过pip直接安装（简单应用）
首先创建一个conda环境：conda create -n robosuite python=3.10
进入robosuite环境：conda activate robosuite
进行安装：pip install robosuite -i https://pypi.tuna.tsinghua.edu.cn/simple
测试demo示例：python -m robosuite.demos.demo_random_action
然后选择不同的示例任务，比如输入0（开门操作），来到下面界面
在选择机器人的型号，比如选择1，然后看到机器人GR1ArmOnly在尝试开门的操作
在窗口中输入"]"切换不同的视角
在选择机器人的型号，比如选择9，然后看到机械臂UR5e在尝试开门的操作
方式2：源码安装（方便开发，支持修改代码）
首先创建一个conda环境：conda create -n robosuite python=3.10
进入robosuite环境：conda activate robosuite
然后下载源码，进入目录，安装相关的依赖
$ git clone https://github.com/ARISE-Initiative/robosuite.git
$ cd robosuite
$ pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple安装顺利的，robosuite就安装好啦～
最后设置当前目录为环境变量：
export PYTHONPATH=PYTHONPATH:(pwd)
（可选）作者还提供附加功能，例如OpenAI Gym 接口、由PyBullet提供支持的逆运动学控制器以及使用SpaceMouse设备的远程操作。
要启用这些附加功能，请通过运行安装额外的依赖项
$ pip install -r requirements-extra.txt -i https://pypi.tuna.tsinghua.edu.cn/simple测试demo示例：python robosuite/demos/demo_random_action.py
然后选择不同的示例任务，比如输入17（双臂运输任务）
选择了多臂环境，以下是多臂环境配置列表，我们选择0
-
0\] 对置
-
2\] 单机器人
第一个机器人选择1（GR1ArmOnly）
第二个机器人选择7（SpotWithArmFloating）
三、机器人任务小结
总结一下，在demo_random_action.py示例中，包含19种任务：
-
0\] 门
-
2\] 螺母组装
-
4\] 螺母组装单
-
6\] 拾取位置
-
8\] 拾取位置罐
-
10\] 拾取位置牛奶
-
12\] 堆叠
-
14\] 双臂移交
-
16\] 双臂钉入孔
-
18\] 擦拭
-
0\] Baxter
-
2\] IIWA
-
4\] Kinova3
-
6\] Sawyer
-
8\] Tiago
大家可以组合测试～
四、基本使用方式
robosuite提供了一组标准化的操作任务，用于基准测试。
提供的与环境交互的 API 很简单，类似于OpenAI Gym使用的 API 。下面是如何与环境交互的简单示例。
python
import numpy as np
import robosuite as suite
# 创建环境实例
env = suite.make(
env_name="Lift", # 任务名称，可以尝试其他任务，例如 "Stack" 或 "Door"
robots="Panda", # 使用的机器人类型，可以尝试其他机器人，例如 "Sawyer" 或 "Jaco"
has_renderer=True, # 是否启用屏幕渲染器（在屏幕上显示环境）
has_offscreen_renderer=False, # 是否启用离屏渲染器（用于生成图像等）
use_camera_obs=False, # 是否使用摄像头观察
)
# 重置环境（初始化环境状态）
obs = env.reset()
# 循环运行1000步
for i in range(1000):
action = np.random.randn(*env.action_spec[0].shape) * 0.1 # 生成随机动作，动作幅度乘以0.1限制动作大小
obs, reward, done, info = env.step(action) # 在环境中执行动作，获取观察值、奖励、是否完成等信息
env.render() # 在屏幕上渲染当前环境状态
# 检查是否需要重置环境
if done:
print(f"Episode ended at step {i}. Resetting environment.")
obs = env.reset()这段代码通过 robosuite 库创建了一个机器人操作环境，并在其中执行随机动作，同时可视化环境状态。
运行代码后，能看到下面效果：
分享完成～