07GenieSim配置

Genie Sim 是 AgiBot 推出的仿真框架，为开发者提供高效的数据生成能力和评估基准，以加速具身智能的开发。Genie Sim 建立了一个全面的闭环流程，包括轨迹生成、模型训练、基准测试和部署验证。用户可以通过这个高效的仿真工具链快速验证算法性能并优化模型。无论是简单的抓取任务还是复杂的远程操作，Genie Sim 都能提供高度逼真的仿真环境和精确的评估指标，助力开发者高效完成机器人技术的开发和迭代。
Genie Sim Benchmark 作为 Genie Sim 的开源评估版本，致力于为具身 AI 模型提供精确的性能测试和优化支持。
可以最开始先下载资产

sudo apt install git-lfsgit lfs install# When prompted for a password, use an access token with write permissions.# Generate one from your settings: https://huggingface.co/settings/tokensgit clone https://huggingface.co/datasets/agibot-world/GenieSimAssets
​

# Configure the repositorycurl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \    && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list \    && \    sudo apt-get update# Install the NVIDIA Container Toolkit packagessudo apt-get install -y nvidia-container-toolkitsudo systemctl restart docker# Configure the container runtimesudo nvidia-ctk runtime configure --runtime=dockersudo systemctl restart docker# Verify NVIDIA Container Toolkitdocker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi
​

https://docs.isaacsim.omniverse.nvidia.com/latest/installation/requirements.html

2.2 从 Huggingface 下载场景和资产

请访问 https://huggingface.co/datasets/agibot-world/GenieSimAssets 并按照说明操作。

2.3 安装

2.3.1 Docker 容器 (推荐)

1. 使用 Docker 容器进行开发

   • 按照 Isaac Sim 文档 安装 Docker

2. 准备 Docker 镜像

   
   ​

# 进入 genie_sim 根目录并从 Dockerfile 创建 Docker 镜像docker build -f ./scripts/dockerfile -t registry.agibot.com/genie-sim/open_source:latest .
​

如果遇到网络问题，我的方法是：

ip addr show docker0 | grep "inet\s" | awk '{print $2}' | cut -d/ -f1DOCKER_HOST_IP="172.17.0.1" docker build \  --add-host=host.docker.internal:"$DOCKER_HOST_IP" \  --build-arg http_proxy="http://host.docker.internal:7890" \  --build-arg https_proxy="http://host.docker.internal:7890" \  --build-arg no_proxy="localhost,127.0.0.1" \  -f ./scripts/dockerfile \  -t registry.agibot.com/genie-sim/open_source:latest .
​

• 运行 Docker 容器并启动服务器

# 在主目录中启动一个新容器# 你需要将 ~/assets 更改为 GenieSimAssets 文件夹SIM_ASSETS=~/17robo/GenieSimAssets/ ./scripts/start_gui.sh./scripts/into.sh# 启动服务器omni_python server/source/genie.sim.lab/raise_standalone_sim.py --enable_curobo True  # 此演示的抓取轨迹由 Curobo 生成
​

App ready之后再执行下一句

然后我们就看到，如果超市演示执行完成，就会这边的仿真器也退出。

# start container in main directory./scripts/into.sh# start client in containeromni_python benchmark/task_benchmark.py --task_name=curobo_restock_supermarket_items --env_class=DemoEnvomni_python benchmark/task_benchmark.py --task_name=iros_open_drawer_and_store_items --env_class=DemoEnv  （暂时有报错）omni_python benchmark/task_benchmark.py --task_name=genie_task_home_microwave_food --env_class=DemoEnv （这个也是用不了的，只有输出step）geniesim2.1和2.0一样只给了一个curobo跑任务的示例，开源部分只配置了上货任务，其他iros任务需要模型推理或者遥操作
​

先回出现这个绿色的info

然后等大概1min

如果遇到了gRPC相关的报错，请参考issue修改即可

Issue #11 · AgibotTech/genie_sim

注意命令行不能设置任何代理！同时sudo ufw allow 50051

make sure your server is running (launched by omni_python server/source/genie.sim.lab/raise_standalone_sim.py --enable_curobo True in same container)make sure your port 50051 is not be used. You must kill other process on 50051 by sudo lsof -i :50051 and sudo kill -9 .
​

我这里遇到了卡在这里的问题

从远程pull一下最新代码。

就不会卡住。

同时，如果有对应大文件更改，可以到assets下面：

git lfs pull # 确保所有LFS文件是最新的

Issue #29 · AgibotTech/genie_sim

2.3.2 主机

1. 我们建议开发者使用我们统一的 Docker 容器环境。

2. 如果您希望使用自己的环境，请参考我们提供的 dockerfile 并安装我们列出的依赖项。

2.3.3 开发者指南

2.3.4 启用 pre-commit 钩子 (可选)

1. 安装并设置 pre-commit 以启用自动文件格式化程序，适用于 Python / JSON / YAML 等。

# 将 pre-commit 安装到你的 Python 环境sudo apt install python3-pippip3 install pre-commit# 在仓库中启用预定义的 pre-commit 钩子pre-commit install
​

2. 对所有跟踪的文件触文件格式化程序

pre-commit run --all-files
​

2.4 基准测试任务#### 2.4.1 运行基准测试1. 运行 docker 容器

# 在主目录中启动一个新容器# 您需要将 ~/assets 更改为 GenieSimAssets 文件夹SIM_ASSETS=~/17robot/GenieSimAssets ./scripts/start_gui.sh
​

2. 运行基准测试

在 docker 容器外的 genie_sim 根目录下执行以下命令

Auto run是挺好用的。不过需要infer参数

./scripts/autorun.sh genie_task_home_pour_water infer
​

Issue #34 · AgibotTech/genie_sim

支持以下任务名称

任务名称

genie_task_cafe_espresso

genie_task_cafe_toast

genie_task_home_clean_desktop

genie_task_home_collect_toy

genie_task_home_microwave_food

genie_task_home_open_drawer

genie_task_home_pass_water

genie_task_home_pour_water

genie_task_home_wipe_dirt

genie_task_supermarket_cashier_packing

genie_task_supermarket_stock_shelf

genie_task_supermarket_pack_fruit

2.4.2 基准评估框架

配置

使用 ADER (Action Domain Evaluation Rule) 进行评估配置

示例

JSON

{  "Acts": [    {      "ActionList": [        {          "ActionSetWaitAny": [            {              "Follow": "beverage_bottle_002|[0.2,0.2,0.2]|right"            },            {              "Timeout": 120            },            {              "Onfloor": "beverage_bottle_002|0.0"            }          ]        },        {          "ActionSetWaitAny": [            {              "PickUpOnGripper": "beverage_bottle_002|right"            },            {              "Timeout": 120            },            {              "Onfloor": "beverage_bottle_002|0.0"            }          ]        },        {          "ActionSetWaitAny": [            {              "Follow": "handbag_000|[0.4,0.4,0.4]|right"            },            {              "Timeout": 120            }          ]        },        {          "ActionSetWaitAny": [            {              "Inside": "beverage_bottle_002|handbag_000|1"            },            {              "StepOut": 1000            }          ]        }      ]    }  ],  "Init": [],  "Objects": [    {      "bottle": [        "beverage_bottle_002"      ],      "handbag": [        "handbag_000"      ]    }  ],  "Problem": "pack_in_the_supermarket"}
​

当前评估能力

评估输出数据结构

JSON

//输出[  {    "task_type": "benchmark",    "model_path": "",    "task_uid": "13513cf3-2d88-421e-b3e5-dc0998a60970",    "task_name": "genie_task_supermarket",    "stage": "",    "result": {      "code": -1,      "step": 0,      "msg": "",      "progress": [],      "scores":[]    },    "start_time": "2025-06-05 15:04:31",    "end_time": "2025-06-05 15:05:40"  }]
​

错误码

Python

from enum import Enumclass ErrorCode(Enum):    INIT_VALUE = -1    SUCCESS = 0    ABNORMAL_INTERRUPTION = 1    OUT_OF_MAX_STEP = 2    UNKNOWN_ERROR = 500
​

2.5 AgiBot World 挑战赛操作任务

2.5.1 运行基线模型推理

1. 从以下地址下载 Agibot World 仓库和基线模型

2. a. GitHub - OpenDriveLab/AgiBot-World at manipulation-challenge

下载后，只要docker不更新build，之前的agibot-world还是在docker的main下的

# 初始化 Agibot World 仓库以运行基线模型git clone -b git submodule update --init --recursive
​

后面每次可以拉取一下更新：

root@ubuntu22:~/workspace/main/AgiBot-World# lsexperiments       InternVL             __pycache__       scriptsgenie_sim_ros.py  latent_action_model  README.mdhubconf.py        prismatic            requirements.txtroot@ubuntu22:~/workspace/main/AgiBot-World# git pullfatal: detected dubious ownership in repository at '/root/workspace/main/AgiBot-World'To add an exception for this directory, call:        git config --global --add safe.directory /root/workspace/main/AgiBot-Worldroot@ubuntu22:~/workspace/main/AgiBot-World# 需要git config --global --add safe.directory /root/workspace/main/AgiBot-World然后git pullgit submodule update --init --recursive
​

FileNotFoundError: [Errno 2] No such file or directory: 'checkpoints/finetuned/action_decoder.pt'

There was an error running python

这个是因为需要添加基线模型

3. 将所有基线模型文件和代码移动到 Agibot-World 目录下

cp -r UniVLA/latent_action_model/ ./latent_action_model/cp -r UniVLA/scripts/ ./scripts/cp -r UniVLA/prismatic/ ./prismatic/cp -r UniVLA/experiments/ ./experiments/mkdir -p checkpoints/finetunedcd checkpoints/finetunedgit lfs clone https://huggingface.co/qwbu/univla-iros-manipulation-challenge-baselinemv univla-iros-manipulation-challenge-baseline/* ./
​

为了保持最新

git clone -b manipulation-challenge https://github.com/OpenDriveLab/AgiBot-World.git AgiBot-World-manipulation-challengecp -r AgiBot-World-manipulation-challenge/UniVLA/* AgiBot-World/
​

main├── AgiBot-World│   ├── InternVL│   ├── experiments/robot│   ├── latent_action_model│   ├── prismatic│   ├── robot│   ├── scripts│   │   └── infer.py│   │   └── ...│   │   └── ...│   ├── checkpoints│   │   └── finetuned│   │       └── readme.txt│   ├── genie_sim_ros.py│   ├── hubconf.py│   └── requirements.txt
​

有个需要修改的地方infer.py的第五行：

后续有空我提个PR，也欢迎有空的小伙伴去提(目前该问题已修复，不用管这个了)

4. 运行 docker 容器

# 在主目录中启动一个新容器# 您需要将 ~/assets 更改为您的本地 assets 文件夹SIM_ASSETS=~/17robo/GenieSimAssets ./scripts/start_gui.sh
​

4. 运行基线模型推理

在 docker 容器外的 genie_sim 根目录下执行以下命令

./scripts/autorun.sh iros_open_drawer_and_store_items infer./scripts/autorun.sh iros_clear_the_countertop_waste infer
​

支持以下任务名称

成功咯，24G显卡够用

打开抽屉并夹取物体，不过过程还是有很多问题的哈哈哈，最后把魔方搞到地上了

2.5.2 集成您自己的策略

1. 根据以下说明构建您自己的代码

2. a. 使用以下路径的模板开始您的模型集成。不要修改 infer 函数的结构。

main├── model│   ├──demo_infer.py
​

b. 在自定义时，请确保您的 ROS 节点严格遵守指定的话题

*模型推理与仿真环境之间的通信是标准化的，并基于 ROS2 实现。这些是为任务指定的专用话题。

c. 自定义后，请确认文件组织结构与指定布局匹配，并确保包含 infer.py 和 genie_sim_ros.py。

main├── AgiBot-World│   ├── scripts│   │   └── infer.py│   │   └── ...│   │   └── ...│   ├──genie_sim_ros.py│   ├──...│   └──...
​

2. 运行 docker 容器

Bash

# 您需要将 ~/assets 更改为 GenieSimAssets 文件夹SIM_ASSETS=~/assets ./scripts/start_gui.sh
​

3. 运行模型推理

4. 在 docker 容器外的 genie_sim 根目录下执行以下命令

./scripts/autorun.sh {TASK_NAME} infer
​

4. 模型推理依赖

常用的 Python 库已在 Genie Sim Benchmark 仓库的 requirements.txt 文件中列出，并预装在我们的操作测试服务器的 docker 镜像中。如果您需要额外的 Python 库来运行您的策略，您可以在测试服务器上随模型文件一起上传一个包含额外库的 requirements.txt 文件。

2.5.3 Agibot World 挑战赛评估框架

请参考 2.4.2 基准评估框架

2.6 遥操作

2.6.1 PICO

支持使用手柄控制机器人腰部、头部、左/右末端执行器和基座的移动。

用户指南

Pico 设置

1. 连接到与计算机相同的局域网

2. 在资源库中启动 AIDEA Vision App

3. 选择无线连接并输入计算机的 IP 地址

启动设置

1. 启动服务器

Bash

# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py
​

2. 在容器中启动 PICO 控制

Bash

# 在容器内运行此命令omni_python teleop/teleop.py --task_name genie_task_home_microwave_food --mode pico --host_ip x.x.x.x
​

2.6.2 键盘

支持键盘控制机器人腰部、头部、左/右末端执行器和基座的移动。

用户指南

启动设置

1. 启动服务器

Bash

SIM_ASSETS=~/17robo/GenieSimAssets/ ./scripts/start_gui.sh./scripts/into.sh# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py
​

2. 在容器中启动键盘控制

Bash

# 在容器内运行此命令omni_python teleop/teleop.py --task_name genie_task_home_microwave_food --mode "keyboard"
​

腰部的还是慎用，感觉没弄好，整体来说末端执行器控制还是很棒的

2.7 记录 & 回放

这里再备注一下任务：

genie_task_cafe_espresso

genie_task_cafe_toast

genie_task_home_clean_desktop

genie_task_home_collect_toy

genie_task_home_microwave_food

genie_task_home_open_drawer

genie_task_home_pass_water

genie_task_home_pour_water

genie_task_home_wipe_dirt

genie_task_supermarket_cashier_packing

genie_task_supermarket_stock_shelf

genie_task_supermarket_pack_fruit

为提高效率，首先记录轨迹，然后执行回放来录制视频。

将所有场景信息（包括机器人关节位置、物体姿态、相机姿态等）记录在 state.json 文件中。

• 启动服务器

Bash

# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py
​

• 启动客户端

Bash

# 在容器内运行此命令omni_python teleop/teleop.py --task_name genie_task_home_pour_water --mode keyboard  --record
​

场景信息记录在 ./output/recording_data/{TASK_NAME}/state.json

这里生成的 /root/workspace/main/output/recording_data/genie_task_home_pour_water/state.json

2.7.1 回放

回放轨迹并录制视频。

• 启动服务器

Bash

# 在容器内运行此命令omni_python server/source/genie.sim.lab/raise_standalone_sim.py --disable_physics --record_img --record_video
​

• 启动客户端

Bash

# 例如：TASK_NAME=genie_task_home_pour_water# 在容器内运行此命令omni_python teleop/replay_state.py --task_file teleop/tasks/${TASK_NAME}.json --state_file output/recording_data/${TASK_NAME}/state.json --record
​

图像和视频记录在 ./output/recording_data/{TASK_NAME}/{IDX}/

3. 用例

3.1 如何用一行代码运行仿真

1. 运行 docker 容器

Bash

SIM_ASSETS=~/17robo/GenieSimAssets ./scripts/start_gui.sh
​

2. 在 docker 容器外的 genie_sim 根目录下执行 shell 脚本

3. a. 运行任务布局

Bash

./scripts/autorun.sh {TASK_NAME}
​

b. 运行 PICO 遥操作

Bash

./scripts/autorun.sh {TASK_NAME} pico {HOST_IP}
​

c. 运行键盘遥操作

Bash

./scripts/autorun.sh {TASK_NAME} keyboard
​

d. 运行场景回放

Bash

./scripts/autorun.sh {TASK_NAME} replay {STATE_FILE_PATH}
​

e. 运行模型推理

Bash

./scripts/autorun.sh {TASK_NAME} infer
​

f. 运行清理

Bash

./scripts/autorun.sh clean
​

3. 在终端中按 q 或 Q 键以正常停止任务。autorun 脚本默认启用 ros topic 记录。如果不需要，请在 autorun 脚本中删除相关代码，并确保定期清理输出文件夹。（存储哪些信息呢？保存到哪里呢）

3.2 如何设置基准任务文件

每个基准任务文件都包含以下 6 个关键元素：

1. task 包含一个唯一的任务名称

2. objects 包含多种任务对象：

   1. extra_objects: 非交互式对象

   2. fix_objects: 具有固定初始姿态的交互式对象

   3. task_related_objects: 具有随机初始姿态的交互式对象

3. recording_setting 指定要录制的相机视角

4. robot 包括机器人 ID、机器人配置文件和机器人基座初始姿态

5. scene 指定一组场景信息：

   1. scene_id: 场景的唯一名称

   2. function_space_objects: 随机生成 task_related_objects 的立方体区域

   3. scene_info_dir: 场景资产的路径

   4. scene_usd: 场景 usd 文件的路径

6. stages 包含为规划任务设计的几个子阶段

   1. action: 定义动作名称

   2. active: 定义主动对象，如夹爪

   3. passive: 定义被动对象，如瓶子

3.3 如何创建一个带有具身 AI 模型的完整基准任务

1. 首先，组装您的任务模板，如 "genie_task_supermarket.json"。此配置文件包含机器人、场景、对象和阶段等。

benchmark/bddl/eval_tasks/your_task.json
​

请正确填写资产文件路径。程序将在用户配置的环境变量 SIM_ASSETS 中查找资产。

2. 场景泛化：将您的任务与场景进行映射

文件路径: benchmark/bddl/task_to_preselected_scenes.json
​

JSON

{  "genie_task_supermarket": [    "scenes/genie/supermarket_02/Collected_emptyScene_01/emptyScene_01.usd"  ]}
​

3. 编写评估标准代码，例如

文件路径: benchmark/bddl/task_definitions/genie_task_supermarket/problem0.bddl
​

Lisp

(define (problem restock_shelves)    (:domain isaac)    (:objects        benchmark_beverage_bottle_013 - bottle.n.01    )    (:init        (onfloor benchmark_beverage_bottle_013 floor.n.01_2)    )    (:goal        (onshelf ?benchmark_beverage_bottle_013)    ))
​

现在，基准配置步骤已完成。

4. 在 "yourpolicy.py" 中访问您的具身智能模型。（请参考 demopolicy.py）

Python

class YourPolicy(BasePolicy):def __init__(self) -> None:super().__init__()        """初始化配置并加载模型。"""passdef reset(self):"""重置。"""passdef act(self, observations, **kwargs) -> np.ndarray:"""根据观察结果采取行动。        参数: observations 包含机器人图像 (Head_Camera_01/Right_Camera_01/Left_Camera_01) 和当前关节信息        返回: 机器人目标关节        """pass
​

5. 最后，运行客户端并评估您自己的 AI 模型

Bash

python3 benchmark/task_benchmark.py --task_name {task name} --policy_class {policy name} --env_class OmniEnv
​

3.4 操作任务资产参数的最佳实践

3.4.1 如何在 IsaacSim 中调试碰撞体

按照说明启用碰撞体调试模式

3.4.2 不良示例

• 复杂的网格会导致碰撞计算错误，越简单越好

• 在小区域内有太多的三角网格通常会导致网格碰撞

convexHull 和 convexDecompisition

3.4.3 良好示例

良好意味着易于抓取且网格碰撞少

• 良好的碰撞网格通常看起来简单整洁

• 确保抓取的关键区域恰到好处（例如罐头、瓶子、瓶盖）

convexDecompisition 网格

convexDecompisition 碰撞体

convexHull

4. API 参考