企业官网建设流程全解析

5分钟跑通 ManiSkill：GPU 并行仿真的从零到可用路径

【免费下载链接】ManiSkillManipulation Skill Framework, an open source GPU parallelized robotics simulator and benchmark项目地址: https://gitcode.com/GitHub_Trending/ma/ManiSkill

ManiSkill 是基于 SAPIEN（其底层物理引擎）构建的机器人操作仿真框架，遵循标准的 Gymnasium（强化学习环境接口），核心能力是 GPU 并行仿真与并行渲染，一块显卡可以同时跑成百上千个环境。这篇是 ManiSkill 快速上手教程：装好环境、跑通最小示例，再把最常用配置项和常见坑过一遍。

📦 环境准备与安装

这一节列好前置依赖和安装命令，全程不超过 5 分钟。

前置依赖清单：

• Python >= 3.9
• GPU 并行仿真与渲染需要 Linux + NVIDIA GPU；Windows 和 macOS 只能跑 CPU 仿真
• 渲染需要 Vulkan 驱动，纯数值仿真可以跳过

安装命令：

pip install --upgrade mani_skill # 主包，当前版本 3.0.1 pip install torch # 装与系统匹配的 torch 版本 sudo apt-get install libvulkan1 # Ubuntu 上安装 Vulkan 驱动

如果希望追新，还有一个每天更新的夜间构建：pip install mani_skill-nightly torch。

验证方式：运行python -m mani_skill.examples.demo_random_action，能看到随机策略在默认的 PickCube 任务里动起来，说明仿真和渲染链路都通了。

▶️ 最小可运行示例

最小闭环是：让一个随机策略在 PickCube 任务里跑起来，验证环境、观测、动作接口端到端可用。

import gymnasium as gym import mani_skill.envs # 三个参数建环境：任务 ID、观测模式、控制模式 env = gym.make("PickCube-v1", obs_mode="state", control_mode="pd_ee_delta_pose", render_mode="human") obs, _ = env.reset(seed=0) # 复位到初始状态，seed 保证可复现 for _ in range(100): action = env.action_space.sample() # 随机动作，只为验证接口 obs, reward, terminated, truncated, info = env.step(action) if terminated or truncated: break env.close()

这段代码做的事可以概括为三步：用 gym.make 建一个 PickCube-v1 环境（状态观测、末端位姿控制），reset 后进入动作循环，每一步抽一个随机动作喂给 env.step。它不涉及任何训练，只负责确认整条链路能跑。返回的数据默认是带批维度的 torch 张量，想要普通 numpy 数据可以外层包一个 CPUGymWrapper。没有显示器的服务器上，把 render_mode 去掉即可无头验证。

🧩 核心能力拆解

单环境跑起来之后，这个项目区别于传统仿真器的三个能力，都收敛在几个参数上，逐个看。

一个参数 num_envs 开出 16 路并行仿真

把 num_envs 设为大于 1，环境会自动切到 GPU 并行仿真，观测和动作空间前面会多出一个批维度。

env = gym.make("PickCube-v1", obs_mode="state", num_envs=16) # obs 的 shape 变为 (16, ...)，一次 step 同时推进 16 个环境

这是大规模数据采集和强化学习训练的用法，官方基准里 state 仿真在 4090 上能到 20 万+ FPS。

改一行 obs_mode 从 state 切到 rgbd

obs_mode 决定观测形态，视觉类模式是 rgb / depth / segmentation 的组合，rgbd 是 rgb+depth 的缩写。

env = gym.make("PickCube-v1", obs_mode="rgbd") # 也可以写 "rgb+depth+segmentation" 或 "pointcloud"

训练视觉策略或采集图像数据时切到 rgbd 即可。注意返回的图像没有做归一化，进网络前要先自己缩放。

换机器人一步到位：robot_uids 参数

部分任务支持用 robot_uids 换掉默认机器人，传元组还能让多台机器人同时进同一场景。

env = gym.make("PickCube-v1", robot_uids="fetch")

用不同机器人对比同一任务上的算法时，这个参数省掉了新建任务的麻烦；不是所有任务都支持任意机器人，以任务说明为准。

⚙️ 配置速查

下面是前几日用得最多的 5 个参数，其余选项见 quickstart 文档。

🕳️ 新手最常踩的 3 个坑

这三个问题覆盖了大部分"装上了却跑不起来"的情况，都按现象、原因、一行解法来说。

1. 首次运行提示下载资产或报文件缺失现象：某些任务第一次运行时报错，或弹出一串下载确认。 原因：机器人模型与场景资产没有打包进 pip 包，需要预先下载到~/.maniskill/data。 一行解法：python -m mani_skill.utils.download_asset PickCube-v1提前下载，位置可用MS_ASSET_DIR环境变量指定。

2. 渲染黑屏或 Vulkan 相关报错现象：窗口一片黑，或出现ErrorInitializationFailed这类错误。 原因：GPU 的 Vulkan 驱动没装好或配置不对，Ubuntu 上常见 NVIDIA 的 ICD 配置文件缺失。 一行解法：sudo apt-get install libvulkan1，再用vulkaninfo验证是否列出设备。

3. GPU 并行开不起来现象：num_envs 设为大于 1 时报错，或提示找不到 CUDA 设备。 原因：GPU 仿真依赖 SAPIEN 的 CUDA 后端，目前只有 Linux + NVIDIA 支持。 一行解法：改回num_envs=1用 CPU 仿真过渡，或换一台 Linux + NVIDIA 的机器。

🧭 接下来可以探索什么

最小闭环跑通之后，下面三个方向都有现成代码，不需要从零写起。

• 跑一遍强化学习 baseline：PPO 与 SAC 的训练脚本在examples/baselines/ppo/和examples/baselines/sac/，直接按脚本里的命令跑。
• 遥操作或运动规划采集数据：mani_skill/examples/teleoperation/和mani_skill/examples/motionplanning/里的脚本开箱即用。
• 写自己的任务：从mani_skill/envs/template.py的模板抄结构即可，完整流程见 custom_tasks 教程。

上面最小示例跑通后，后面的路就通了。

【免费下载链接】ManiSkillManipulation Skill Framework, an open source GPU parallelized robotics simulator and benchmark项目地址: https://gitcode.com/GitHub_Trending/ma/ManiSkill