Robosuite框架是一个用于机器人模拟和控制的强大工具，支持多种类型的机器人。
官方文档：Overview --- robosuite 1.5 documentation
开源地址：https://github.com/ARISE-Initiative/robosuite
目录
1、通过键盘或SpaceMouse远程控制机器人
主要功能包括：
-
远程控制：通过键盘或 SpaceMouse 远程控制机器人的末端执行器。
-
多臂支持：支持单臂和双臂环境，适应不同的任务需求。
-
控制器选择：支持多种控制器，适应不同的控制策略。
-
设备灵敏度调整：通过参数调整输入设备的灵敏度，适应不同的操作需求。
运行效果：
控制机械臂移动的键盘按键：H、Y、P、O、; 、.
示例代码
python
import argparse
import time
import numpy as np
import robosuite as suite
from robosuite import load_composite_controller_config
from robosuite.controllers.composite.composite_controller import WholeBody
from robosuite.wrappers import VisualizationWrapper
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument("--environment", type=str, default="Lift") # 环境名称
parser.add_argument("--robots", nargs="+", type=str, default="Panda", help="使用的机器人") # 机器人名称
parser.add_argument(
"--config", type=str, default="default", help="指定环境配置（如果需要）"
) # 环境配置
parser.add_argument("--arm", type=str, default="right", help="控制的臂（例如双臂）'right' 或 'left'") # 控制的臂
parser.add_argument("--switch-on-grasp", action="store_true", help="在抓手动作时切换抓手控制") # 抓手切换
parser.add_argument("--toggle-camera-on-grasp", action="store_true", help="在抓手动作时切换相机角度") # 相机切换
parser.add_argument(
"--controller",
type=str,
default=None,
help="选择控制器。可以是通用名称（例如 'BASIC' 或 'WHOLE_BODY_MINK_IK'）或 json 文件（参见 robosuite/controllers/config 示例）或 None（使用机器人的默认控制器（如果存在））",
) # 控制器选择
parser.add_argument("--device", type=str, default="keyboard") # 输入设备
parser.add_argument("--pos-sensitivity", type=float, default=1.0, help="位置输入的缩放比例") # 位置灵敏度
parser.add_argument("--rot-sensitivity", type=float, default=1.0, help="旋转输入的缩放比例") # 旋转灵敏度
parser.add_argument(
"--max_fr",
default=20,
type=int,
help="当模拟运行速度超过指定帧率时暂停；20 fps 为实时。",
) # 最大帧率
args = parser.parse_args()
# 加载控制器配置
controller_config = load_composite_controller_config(
controller=args.controller,
robot=args.robots[0],
)
# 创建参数配置
config = {
"env_name": args.environment,
"robots": args.robots,
"controller_configs": controller_config,
}
# 检查是否使用多臂环境，并设置环境配置
if "TwoArm" in args.environment:
config["env_configuration"] = args.config
else:
args.config = None
# 创建环境
env = suite.make(
**config,
has_renderer=True,
has_offscreen_renderer=False,
render_camera="agentview",
ignore_done=True,
use_camera_obs=False,
reward_shaping=True,
control_freq=20,
hard_reset=False,
)
# 使用可视化包装器包装环境
env = VisualizationWrapper(env, indicator_configs=None)
# 设置数字打印选项
np.set_printoptions(formatter={"float": lambda x: "{0:0.3f}".format(x)})
# 初始化设备
if args.device == "keyboard":
from robosuite.devices import Keyboard
device = Keyboard(env=env, pos_sensitivity=args.pos_sensitivity, rot_sensitivity=args.rot_sensitivity)
env.viewer.add_keypress_callback(device.on_press)
elif args.device == "spacemouse":
from robosuite.devices import SpaceMouse
device = SpaceMouse(env=env, pos_sensitivity=args.pos_sensitivity, rot_sensitivity=args.rot_sensitivity)
elif args.device == "mjgui":
from robosuite.devices.mjgui import MJGUI
device = MJGUI(env=env)
else:
raise Exception("无效的设备选择：请选择 'keyboard' 或 'spacemouse'。")
while True:
# 重置环境
obs = env.reset()
# 设置渲染
cam_id = 0
num_cam = len(env.sim.model.camera_names)
env.render()
# 初始化在重置之间需要维护的变量
last_grasp = 0
# 初始化设备控制
device.start_control()
all_prev_gripper_actions = [
{
f"{robot_arm}_gripper": np.repeat([0], robot.gripper[robot_arm].dof)
for robot_arm in robot.arms
if robot.gripper[robot_arm].dof > 0
}
for robot in env.robots
]
# 循环直到从输入中获得重置或任务完成
while True:
start = time.time()
# 设置活动机器人
active_robot = env.robots[device.active_robot]
# 获取最新的动作
input_ac_dict = device.input2action()
# 如果动作为空，则这是一个重置，应该退出
if input_ac_dict is None:
break
from copy import deepcopy
action_dict = deepcopy(input_ac_dict) # {}
# 设置臂动作
for arm in active_robot.arms:
if isinstance(active_robot.composite_controller, WholeBody): # 输入类型传递给关节动作策略
controller_input_type = active_robot.composite_controller.joint_action_policy.input_type
else:
controller_input_type = active_robot.part_controllers[arm].input_type
if controller_input_type == "delta":
action_dict[arm] = input_ac_dict[f"{arm}_delta"]
elif controller_input_type == "absolute":
action_dict[arm] = input_ac_dict[f"{arm}_abs"]
else:
raise ValueError
# 维护每个机器人的抓手状态，但只更新活动机器人的动作
env_action = [robot.create_action_vector(all_prev_gripper_actions[i]) for i, robot in enumerate(env.robots)]
env_action[device.active_robot] = active_robot.create_action_vector(action_dict)
env_action = np.concatenate(env_action)
for gripper_ac in all_prev_gripper_actions[device.active_robot]:
all_prev_gripper_actions[device.active_robot][gripper_ac] = action_dict[gripper_ac]
env.step(env_action)
env.render()
# 如果必要，限制帧率
if args.max_fr is not None:
elapsed = time.time() - start
diff = 1 / args.max_fr - elapsed
if diff > 0:
time.sleep(diff)代码关键要点：
-
输入设备：
-
支持键盘和 SpaceMouse 两种输入设备。
-
键盘提供 6 自由度（6-DoF）控制命令，通过按键实现。
-
SpaceMouse 提供 6 自由度（6-DoF）控制命令，通过鼠标移动实现。
-
-
控制器选择：
-
可以选择逆运动学控制器（ik）或操作空间控制器（osc）。
-
ik 的旋转输入相对于末端执行器坐标系，osc 的旋转输入相对于全局坐标系（即：静态/相机坐标系）。
-
-
环境配置：
-
支持单臂和双臂环境。
-
双臂环境可以配置为平行（parallel）或相对（opposed）。
-
可以选择控制的臂（right 或 left）。
-
-
设备灵敏度 ：通过
--pos_sensitivity和--rot_sensitivity参数调整位置和旋转输入的灵敏度。 -
主循环：
-
通过设备获取用户输入，转换为机器人动作。
-
使用
env.step执行动作并渲染环境。 -
限制帧率以确保实时运行。
-
备注信息：
python
***使用以下参数选择环境特定设置***
--environment：要执行的任务，例如："Lift"、"TwoArmPegInHole"、"NutAssembly" 等。
--robots：执行任务的机器人。可以是以下之一：
{"Panda", "Sawyer", "IIWA", "Jaco", "Kinova3", "UR5e", "Baxter"}。
注意，环境包含合理性检查，"TwoArm..." 环境只接受两个机器人名称的元组或一个双臂机器人名称，
其他环境只接受一个单臂机器人名称。
--config：仅适用于 "TwoArm..." 环境。指定任务所需的机器人配置。选项有 {"parallel" 和 "opposed"}
- "parallel"：设置环境，使两个机器人并排站立，面向同一方向。
需要在 --robots 参数中指定两个机器人名称的元组。
- "opposed"：设置环境，使两个机器人相对站立，面向彼此。
需要在 --robots 参数中指定两个机器人名称的元组。
--arm：仅适用于 "TwoArm..." 环境。指定要控制的多个臂中的哪一个。
其他（被动）臂将保持静止。选项有 {"right", "left"}（从机器人面向观众的方向看）
--switch-on-grasp：仅适用于 "TwoArm..." 环境。如果启用，每次按下抓手输入时将切换当前控制的臂。
--toggle-camera-on-grasp：如果启用，抓手输入将切换可用的相机角度。
示例：
对于普通单臂环境：
$ python demo_device_control.py --environment PickPlaceCan --robots Sawyer --controller osc
对于双臂双臂环境：
$ python demo_device_control.py --environment TwoArmLift --robots Baxter --config bimanual --arm left --controller osc
对于双臂多单臂机器人环境：
$ python demo_device_control.py --environment TwoArmLift --robots Sawyer Sawyer --config parallel --controller osc2、选择机器人夹抓
涉及的关键点概括
-
整体流程：
-
遍历所有可用的抓手类型，并通过
gripper_types参数将它们应用到环境中。 -
在每个环境中运行一个随机策略，模拟抓手的操作。
-
-
主要功能：
-
suite.make：用于创建模拟环境，配置环境参数（如机器人型号、抓手类型、渲染选项等）。 -
动作空间 ：通过
env.action_spec获取动作的上下界，并生成随机动作。 -
渲染 ：通过
env.render()将模拟动画显示在窗口中。 -
帧率限制：通过时间计算确保模拟的帧率保持在指定范围内，防止运行过于流畅或迟钝。
-
-
技术细节：
-
robosuite.ALL_GRIPPERS包含了所有可用的抓手类型，程序会逐个测试这些抓手。 -
control_freq=50参数定义了控制频率，确保模拟的帧率足够高。 -
done标志用于检测任务是否完成（例如：物体被成功抬起）。
-
示例代码
python
import time
import numpy as np
import robosuite as suite
from robosuite import ALL_GRIPPERS
MAX_FR = 25 # 模拟中运行的最大帧率
if __name__ == "__main__":
for gripper in ALL_GRIPPERS:
# 通知用户正在使用哪种抓手
print(f"使用抓手 {gripper}...")
# 创建环境并使用选定的抓手类型
env = suite.make(
"Lift",
robots="Panda",
gripper_types=gripper,
has_renderer=True, # 确保我们可以在屏幕上渲染
has_offscreen_renderer=False, # 不需要离屏渲染，因为我们没有使用像素观察
use_camera_obs=False, # 不使用像素观察
control_freq=50, # 控制应该足够快，这样模拟看起来会更流畅
camera_names="frontview",
)
# 重置环境
env.reset()
# 获取动作范围
low, high = env.action_spec
# 运行随机策略
for t in range(300):
start = time.time()
env.render() # 渲染环境
action = np.random.uniform(low, high) # 随机动作
observation, reward, done, info = env.step(action) # 执行动作
if done:
print("Episode 在 {} 个时间步后结束".format(t + 1))
break
# 如果需要，限制帧率
elapsed = time.time() - start
diff = 1 / MAX_FR - elapsed
if diff > 0:
time.sleep(diff)
# 关闭窗口
env.close()3、夹抓控制
-
抓手控制: 抓手可以在设定的高度范围内移动，并通过开合手指抓取物体。
-
物体交互: 模拟物体与抓手的接触，监测接触的物理信息（如摩擦力、法向量等）。
-
地面检测: 避免物体与地面的重复检测。
-
视觉呈现: 使用 OpenCV 渲染模拟动画，展示抓手和物体的交互过程。
运行效果：
自动切换不同夹抓：
通过上面的演示，最终我们选择合适抓取当前物体的夹抓～
示例代码：
python
import xml.etree.ElementTree as ET
from robosuite.models import MujocoWorldBase
from robosuite.models.arenas.table_arena import TableArena
from robosuite.models.grippers import PandaGripper, RethinkGripper
from robosuite.models.objects import BoxObject
from robosuite.utils import OpenCVRenderer
from robosuite.utils.binding_utils import MjRenderContextOffscreen, MjSim
from robosuite.utils.mjcf_utils import new_actuator, new_joint
if __name__ == "__main__":
# 创建空的世界
world = MujocoWorldBase()
# 添加桌子
arena = TableArena(table_full_size=(0.4, 0.4, 0.05), table_offset=(0, 0, 1.1), has_legs=False)
world.merge(arena)
# 添加抓手
gripper = RethinkGripper()
# 创建一个新的身体，用滑动关节连接抓手
gripper_body = ET.Element("body", name="gripper_base")
gripper_body.set("pos", "0 0 1.3") # 设置抓手位置
gripper_body.set("quat", "0 0 1 0") # 翻转 z 轴
gripper_body.append(new_joint(name="gripper_z_joint", type="slide", axis="0 0 1", damping="50")) # 添加滑动关节
# 将抓手基座添加到世界中
world.worldbody.append(gripper_body)
# 将抓手合并进抓手基座
world.merge(gripper, merge_body="gripper_base")
# 添加执行器以控制滑动关节
world.actuator.append(new_actuator(joint="gripper_z_joint", act_type="position", name="gripper_z", kp="500"))
# 添加一个可抓取的物体
mujoco_object = BoxObject(
name="box", size=[0.02, 0.02, 0.02], rgba=[1, 0, 0, 1], friction=[1, 0.005, 0.0001]
).get_obj()
# 设置物体位置
mujoco_object.set("pos", "0 0 1.11")
# 将物体添加到世界
world.worldbody.append(mujoco_object)
# 添加 x 轴和 y 轴的参考物（视觉辅助）
x_ref = BoxObject(
name="x_ref", size=[0.01, 0.01, 0.01], rgba=[0, 1, 0, 1], obj_type="visual", joints=None
).get_obj()
x_ref.set("pos", "0.2 0 1.105")
world.worldbody.append(x_ref)
y_ref = BoxObject(
name="y_ref", size=[0.01, 0.01, 0.01], rgba=[0, 0, 1, 1], obj_type="visual", joints=None
).get_obj()
y_ref.set("pos", "0 0.2 1.105")
world.worldbody.append(y_ref)
# 启动模拟
model = world.get_model(mode="mujoco")
sim = MjSim(model)
viewer = OpenCVRenderer(sim)
render_context = MjRenderContextOffscreen(sim, device_id=-1)
sim.add_render_context(render_context)
sim_state = sim.get_state()
# 用于重力补偿
gravity_corrected = ["gripper_z_joint"]
_ref_joint_vel_indexes = [sim.model.get_joint_qvel_addr(x) for x in gravity_corrected]
# 设置抓手参数
gripper_z_id = sim.model.actuator_name2id("gripper_z")
gripper_z_low = 0.07 # 抓手低位置
gripper_z_high = -0.02 # 抓手高位置
gripper_z_is_low = False # 抓手是否处于低位置
gripper_jaw_ids = [sim.model.actuator_name2id(x) for x in gripper.actuators]
gripper_open = [-0.0115, 0.0115] # 抓手打开时的关节角度
gripper_closed = [0.020833, -0.020833] # 抓手关闭时的关节角度
gripper_is_closed = True # 抓手是否关闭
# 硬编码的抓手轨迹序列
seq = [(False, False), (True, False), (True, True), (False, True)]
sim.set_state(sim_state)
step = 0
T = 500 # 每隔 T 步循环轨迹序列
while True:
if step % 100 == 0:
print("step: {}".format(step))
# 获取接触信息
for contact in sim.data.contact[0 : sim.data.ncon]:
geom_name1 = sim.model.geom_id2name(contact.geom1)
geom_name2 = sim.model.geom_id2name(contact.geom2)
if geom_name1 == "floor" and geom_name2 == "floor":
continue
print("geom1: {}, geom2: {}".format(geom_name1, geom_name2))
print("contact id {}".format(id(contact)))
print("friction: {}".format(contact.friction))
print("normal: {}".format(contact.frame[0:3]))
# 循环抓手轨迹序列
if step % T == 0:
plan = seq[int(step / T) % len(seq)]
gripper_z_is_low, gripper_is_closed = plan
print("changing plan: gripper low: {}, gripper closed {}".format(gripper_z_is_low, gripper_is_closed))
# 控制抓手
if gripper_z_is_low:
sim.data.ctrl[gripper_z_id] = gripper_z_low # 设置抓手到低位置
else:
sim.data.ctrl[gripper_z_id] = gripper_z_high # 设置抓手到高位置
if gripper_is_closed:
sim.data.ctrl[gripper_jaw_ids] = gripper_closed # 关闭抓手
else:
sim.data.ctrl[gripper_jaw_ids] = gripper_open # 打开抓手
# 更新模拟
sim.step()
sim.data.qfrc_applied[_ref_joint_vel_indexes] = sim.data.qfrc_bias[_ref_joint_vel_indexes]
viewer.render() # 渲染模拟动画
step += 1代码解析：
-
MujocoWorldBase和MujocoSim:-
MujocoWorldBase用于创建一个Mujoco模拟世界的基础。 -
MujocoSim则是负责运行穆乔科模拟的核心类。
-
-
抓手的添加和控制:
-
使用
RethinkGripper创建抓手模型。 -
通过定义
gripper_z_joint和对应的执行器new_actuator，实现抓手的高度控制。
-
-
物体的添加:
-
使用
BoxObject定义了一个红色的立方体小物体，用于抓取演示。 -
物体的物理属性（如摩擦力）通过
friction参数设置。
-
-
视觉辅助: 通过添加绿色和蓝色的方块作为参考，方便观察物体的位置和方向。
-
模拟控制 : 使用
sim.step()更新模拟状态。使用viewer.render()渲染模拟图像到窗口。 -
接触信息 : 通过
sim.data.contact获取接触信息，可用于调试和分析抓手与物体的交互情况。
运行效果：
抓起物体：
4、记录轨迹数据并回放
-
数据收集：通过随机策略生成轨迹数据并保存。
-
数据回放：从保存的数据中加载轨迹并回放。
-
环境包装 ：使用
DataCollectionWrapper包装环境，支持数据收集功能。 -
实时渲染：在数据收集和回放过程中实时渲染环境动画。
示例代码：
python
import argparse
import os
import time
from glob import glob
import numpy as np
import robosuite as suite
from robosuite.wrappers import DataCollectionWrapper
def collect_random_trajectory(env, timesteps=1000, max_fr=None):
"""运行随机策略以收集轨迹数据。
轨迹数据以 npz 格式保存到文件中。
修改 DataCollectionWrapper 包装器以添加新字段或更改数据格式。
参数：
env (MujocoEnv): 用于收集轨迹的环境实例
timesteps (int): 每个轨迹运行的环境时间步数
max_fr (int): 如果指定，当模拟运行速度超过最大帧率时暂停
"""
env.reset() # 重置环境
dof = env.action_dim # 获取动作维度
for t in range(timesteps):
start = time.time()
action = np.random.randn(dof) # 生成随机动作
env.step(action) # 执行动作
env.render() # 渲染环境
if t % 100 == 0:
print(t) # 每 100 步打印一次进度
# 如果指定了最大帧率，则限制帧率
if max_fr is not None:
elapsed = time.time() - start
diff = 1 / max_fr - elapsed
if diff > 0:
time.sleep(diff)
def playback_trajectory(env, ep_dir, max_fr=None):
"""回放某一集的数据。
参数：
env (MujocoEnv): 用于回放轨迹的环境实例
ep_dir (str): 包含某一集数据的目录路径
"""
# 从 XML 文件重新加载模型
xml_path = os.path.join(ep_dir, "model.xml")
with open(xml_path, "r") as f:
env.reset_from_xml_string(f.read()) # 从 XML 字符串重置环境
state_paths = os.path.join(ep_dir, "state_*.npz") # 获取状态文件路径
# 逐个加载状态文件并回放
t = 0
for state_file in sorted(glob(state_paths)):
print(state_file)
dic = np.load(state_file) # 加载状态文件
states = dic["states"] # 获取状态数据
for state in states:
start = time.time()
env.sim.set_state_from_flattened(state) # 设置模拟状态
env.sim.forward() # 更新模拟
env.viewer.update() # 更新视图
env.render() # 渲染环境
t += 1
if t % 100 == 0:
print(t) # 每 100 步打印一次进度
# 如果指定了最大帧率，则限制帧率
if max_fr is not None:
elapsed = time.time() - start
diff = 1 / max_fr - elapsed
if diff > 0:
time.sleep(diff)
env.close() # 关闭环境
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument("--environment", type=str, default="Door") # 环境名称
parser.add_argument("--robots", nargs="+", type=str, default="Panda", help="使用的机器人") # 机器人名称
parser.add_argument("--directory", type=str, default="/tmp/") # 数据保存目录
parser.add_argument("--timesteps", type=int, default=1000) # 时间步数
parser.add_argument(
"--max_fr",
default=20,
type=int,
help="当模拟运行速度超过指定帧率时暂停；20 fps 为实时。",
) # 最大帧率
args = parser.parse_args()
# 创建原始环境
env = suite.make(
args.environment,
robots=args.robots,
ignore_done=True,
use_camera_obs=False,
has_renderer=True,
has_offscreen_renderer=False,
control_freq=20,
)
data_directory = args.directory # 数据保存目录
# 使用数据收集包装器包装环境
env = DataCollectionWrapper(env, data_directory)
# 测试多次调用 env.reset 是否会创建多个目录
env.reset()
env.reset()
env.reset()
# 收集一些数据
print("正在收集随机数据...")
collect_random_trajectory(env, timesteps=args.timesteps, max_fr=args.max_fr)
# 回放数据
_ = input("按下任意键开始回放...")
print("正在回放数据...")
data_directory = env.ep_directory # 获取当前集的目录
playback_trajectory(env, data_directory, args.max_fr)代码分析：
-
DataCollectionWrapper包装器 ：用于包装环境，以便在运行过程中收集数据。收集的数据以npz格式保存到指定目录中。 -
数据收集：使用随机策略生成动作，运行环境并收集轨迹数据。数据包括环境状态、动作、观察值等。
-
数据回放 ：从保存的数据中加载状态，并逐帧回放。通过
env.sim.set_state_from_flattened(state)设置模拟状态。 -
帧率控制 ：如果指定了最大帧率 (
max_fr)，则通过time.sleep控制模拟速度，避免运行过快。 -
数据保存和加载：数据保存在指定目录中，包括 XML 模型文件和状态文件。回放时从这些文件中加载数据并恢复环境状态。
运行效果：
打印信息：
python
DataCollectionWrapper: making folder at /tmp/ep_1740881381_0772326
0
100
200
300
400
500
600
700
800
900
按下任意键开始回放...
正在回放数据...
/tmp/ep_1740881381_0772326/state_1740881386_010901.npz
100
/tmp/ep_1740881381_0772326/state_1740881391_0270681.npz
200
/tmp/ep_1740881381_0772326/state_1740881396_0425832.npz
300
/tmp/ep_1740881381_0772326/state_1740881401_0576134.npz
400
/tmp/ep_1740881381_0772326/state_1740881406_0732286.npz
500
/tmp/ep_1740881381_0772326/state_1740881411_0889266.npz
600
/tmp/ep_1740881381_0772326/state_1740881416_1048322.npz
700
/tmp/ep_1740881381_0772326/state_1740881421_1204755.npz
800
/tmp/ep_1740881381_0772326/state_1740881426_135585.npz
900
/tmp/ep_1740881381_0772326/state_1740881431_1502776.npz
1000
Xlib: extension "NV-GLX" missing on display ":1".5、多种机器人任务执行
-
环境自定义：支持选择不同的环境和机器人组合，适应多种模拟场景。
-
领域随机化：通过随机化环境参数，提高机器人在不同条件下的适应能力。
-
可视化：实时渲染模拟过程，方便观察机器人的行为和环境交互。
示例代码：
python
# 导入移动机器人模块
from robosuite.robots import MobileRobot
# 导入 RoboSuite 的输入工具
from robosuite.utils.input_utils import *
import time
# 定义最大帧率，用于控制模拟的运行速度
MAX_FR = 25
# 主程序入口
if __name__ == "__main__":
options = {} # 保存创建环境的选项
# 欢迎信息
print("欢迎使用 RoboSuite v{}!".format(suite.__version__))
print(suite.__logo__) # 打印 RoboSuite 的标志
# 用户选择环境
options["env_name"] = choose_environment()
# 如果是多臂环境，默认选择机器人
if "TwoArm" in options["env_name"]:
options["env_configuration"] = choose_multi_arm_config()
if options["env_configuration"] == "single-robot":
options["robots"] = choose_robots(
exclude_bimanual=False, # 不排除双臂机器人
use_humanoids=True, # 允许使用人形机器人
exclude_single_arm=True # 排除单臂机器人
)
else:
options["robots"] = []
# 循环选择两个机器人
for i in range(2):
print("请选择机器人 {}...\n".format(i + 1))
options["robots"].append(
choose_robots(exclude_bimanual=False, use_humanoids=True)
)
# 如果是人形机器人环境，选择人形机器人
elif "Humanoid" in options["env_name"]:
options["robots"] = choose_robots(use_humanoids=True)
else:
options["robots"] = choose_robots(
exclude_bimanual=False, # 不排除双臂机器人
use_humanoids=True # 允许使用人形机器人
)
# 初始化环境
env = suite.make(
**options, # 使用用户选择的选项
has_renderer=True, # 启用视觉渲染
has_offscreen_renderer=False, # 不启用离屏渲染
ignore_done=True, # 忽略任务完成信号
use_camera_obs=False, # 不使用相机观测
control_freq=20, # 控制频率为 20Hz
)
env.reset() # 重置环境
env.viewer.set_camera(camera_id=0) # 设置摄像头
# 禁用移动机器人的腿部和底座控制
for robot in env.robots:
if isinstance(robot, MobileRobot):
robot.enable_parts(legs=False, base=False)
# 开始渲染环境
for i in range(10000):
start = time.time() # 记录当前时间
# 随机生成动作并执行
action = np.random.randn(*env.action_spec[0].shape)
obs, reward, done, _ = env.step(action)
env.render() # 渲染环境
# 控制帧率
elapsed = time.time() - start
diff = 1 / MAX_FR - elapsed
if diff > 0:
time.sleep(diff) # 确保帧率在限制范围内运行代码后，首先选择"环境"，也就是执行任务的种类
Here is a list of environments in the suite:
0\] Door \[1\] Lift \[2\] NutAssembly \[3\] NutAssemblyRound \[4\] NutAssemblySingle \[5\] NutAssemblySquare \[6\] PickPlace \[7\] PickPlaceBread \[8\] PickPlaceCan \[9\] PickPlaceCereal \[10\] PickPlaceMilk \[11\] PickPlaceSingle \[12\] Stack \[13\] ToolHang \[14\] TwoArmHandover \[15\] TwoArmLift \[16\] TwoArmPegInHole \[17\] TwoArmTransport \[18\] Wipe Choose an environment to run (enter a number from 0 to 18):
然后选择执行的机器人类型
Here is a list of available robots:
0\] Baxter \[1\] GR1ArmsOnly \[2\] IIWA \[3\] Jaco \[4\] Kinova3 \[5\] Panda \[6\] Sawyer \[7\] SpotWithArmFloating \[8\] Tiago \[9\] UR5e Choose a robot (enter a number from 0 to 9):
运行效果，第二个机器人选择7（SpotWithArmFloating）
相关文章推荐：
机器人学习模拟框架 robosuite 支持强化学习和模仿学习 (1) 快速入门_机械臂模仿学习入门-CSDN博客
机器人学习模拟框架 robosuite (2)支持多种机器人、夹抓和底座 工作流程-CSDN博客
分享完成～