Motphys/UniLab

UniLab – 面向机器人学习的契约驱动基础设施

它是什么

• 一个开源 Python 框架，允许您使用 Hydra YAML 配置描述一次机器人强化学习任务，然后在任何支持的物理模拟器或硬件后端上运行，而无需更改代码。
• 提供 SimBackend 契约，使相同的任务定义可以在 MuJoCo、Isaac Gym、Motrix、Newton、Genesis 等模拟器以及 CPU、GPU、AMD ROCm、Apple Silicon、Intel XPU 或外部工作器模拟上执行。

为什么重要

• 消除了在更换模拟器或硬件时重写环境类的需求。
• 保持学习算法（例如 SAC、Flash-SAC）独立于模拟层，支持异构训练流水线。
• 通过将数据收集与学习器更新重叠，声称离策略重放训练可提速 3–10 倍。

---

主要特性

特性	描述
配置优先	任务、动作、观测、奖励、课程和指标由 Hydra YAML 文件中的可重用 管理器项 组装而成——通常无需编写 Python 代码。
后端无关	任何注册的模拟器都实现公共 SimBackend 接口；使用 --sim 标志切换。
设备无关的学习器	学习器可在 CUDA、ROCm、MPS 或 Intel XPU 上运行，而模拟可以保持在 CPU 或远程工作器上。
重放加速的离策略训练	内置的 SAC/Flash-SAC 流水线将模拟与梯度更新重叠，带来显著的端到端速度提升。
跨平台支持	针对 Windows、macOS（Apple Silicon）、Linux（CUDA、ROCm、XPU）提供了文档化的安装路径。
支持矩阵	一个精选表格显示了哪些任务-后端-设备组合已经过验证。
生态系统钩子	下游机器人特定仓库（MicroDuck RL、EngineAI RL、Unitree RL 等）可以重用相同的任务定义和契约。
可扩展的 RL 栈	算法、异步运行时和日志记录位于 src/unilab/rl/ 下。

---

典型用例

• 研究：一次原型化新的运动或操作任务，然后在 MuJoCo、Isaac Gym 和其他模拟器上进行基准测试。
• Sim-to-sim 迁移：在快速、低保真度的模拟器中训练，并在高保真度模拟器中评估，无需重写代码。
• 异构集群：运行多个仅 CPU 的模拟工作器，为 GPU 加速的学习器提供数据。
• 机器人实验室：在多个机器人平台（例如 Unitree、MicroDuck）之间共享通用任务库，同时每个团队使用其偏好的物理引擎。

---

安装（快速）

# 安装轻量级 UV 包管理器
curl -LsSf https://astral.sh/uv/install.sh | sh

# 克隆仓库并设置环境
git clone https://github.com/unilabsim/UniLab.git
cd UniLab
make setup   # 通过 uv 安装依赖

首次运行将自动从 Hugging Face 下载模型检查点和资源。

---

快速入门命令

# 运行演示（舞蹈）以验证安装
uv run demo dance

# 使用 MuJoCo 和 SAC 训练平地行走任务
uv run train  --algo sac --task g1_walk_flat --sim mujoco

# 评估训练好的策略并使用 Viser 渲染
uv run eval   --algo sac --task g1_walk_flat --sim mujoco --render-mode viser

# 无需更改任务定义即可切换模拟器
uv run --extra motrix  eval --algo sac --task g1_walk_flat --sim motrix --render-mode interactive --load-run -1
uv run --extra isaacgym eval --algo sac --task g1_walk_flat --sim isaacgym --load-run -1

所有标志（--algo、--task、--sim）都是显式的，使实验可复现。

---

文档与学习资源

• 为什么选择 UniLab？ – 设计原理及与替代方案的比较：https://unilabsim.github.io/UniLab-doc/en/why_unilab.html
• 安装与首次演示：https://unilabsim.github.io/UniLab-doc/en/1-getting_started/0-index.html
• 训练与评估指南：https://unilabsim.github.io/UniLab-doc/en/2-user_guide/1-training/0-index.html
• 后端支持矩阵：https://unilabsim.github.io/UniLab-doc/en/5-reference/5-support_matrix.html
• Sim-to-sim 部署：https://unilabsim.github.io/UniLab-doc/en/3-deployment/2-sim_to_sim/1-backend_swap.html
• 开发者指南（贡献、扩展契约）：https://unilabsim.github.io/UniLab-doc/en/4-developer_guide/0-index.html

---

社区

• 微信助手（仓库中的二维码）用于实时帮助和公告。
• 活跃的 GitHub issues 和 PR；参见贡献指南了解如何添加新的后端或任务。
• README 中列出的下游项目展示了实际应用。

---

许可证与引用

• 许可证：Apache-2.0（见 LICENSE）。
• 引用：

@article{jia2026unilab,
  title   = {UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms},
  author  = {Jia, Yufei and Cao, Zhanxiang and Yu, Mingrui and ...},
  journal = {arXiv preprint arXiv:2605.30313},
  year    = {2026},
  url     = {https://arxiv.org/abs/2605.30313}
}

---

底线：UniLab 是一个真正的、研究级的工具包，它将机器人强化学习任务从底层物理引擎和计算硬件中抽象出来，支持可复现的实验和快速的后端切换。它文档完善、积极维护，并已在 CoRL 2026 论文中被引用。