抚州建设网站公司查询

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

2、选择机器人夹抓

3、夹抓控制

4、记录轨迹数据并回放

5、多种机器人任务执行

---

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

import argparse
import timeimport numpy as npimport robosuite as suite
from robosuite import load_composite_controller_config
from robosuite.controllers.composite.composite_controller import WholeBody
from robosuite.wrappers import VisualizationWrapperif __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.configelse: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 Keyboarddevice = 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 SpaceMousedevice = SpaceMouse(env=env, pos_sensitivity=args.pos_sensitivity, rot_sensitivity=args.rot_sensitivity)elif args.device == "mjgui":from robosuite.devices.mjgui import MJGUIdevice = 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 = 0num_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.armsif 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:breakfrom copy import deepcopyaction_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_typeelse:controller_input_type = active_robot.part_controllers[arm].input_typeif 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() - startdiff = 1 / args.max_fr - elapsedif diff > 0:time.sleep(diff)

代码关键要点： 

1. 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。

2. 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）。

3. 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）。

4. 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。

5. 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：

***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 osc

2、选择机器人夹抓

涉及的关键点概括

1. 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。

2. 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。

3. 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

import time
import numpy as np
import robosuite as suite
from robosuite import ALL_GRIPPERSMAX_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() - startdiff = 1 / MAX_FR - elapsedif 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：

import xml.etree.ElementTree as ETfrom 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_jointif __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 = 0T = 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":continueprint("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 = planprint("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：

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

6. 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：

import argparse
import os
import time
from glob import globimport numpy as npimport robosuite as suite
from robosuite.wrappers import DataCollectionWrapperdef 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() - startdiff = 1 / max_fr - elapsedif 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 = 0for 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 += 1if 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() - startdiff = 1 / max_fr - elapsedif 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：

1. 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。

2. 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。

3. 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。

4. 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。

5. 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：

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：

# 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() - startdiff = 1 / MAX_FR - elapsedif 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～