2. 环境搭建

Isaac Lab 是建立在 NVIDIA Isaac Sim 之上的机器人学习训练框架，而 Isaac Sim 又依赖 Omniverse、CUDA、显卡驱动与 Ubuntu 系统环境。因此，环境搭建不是“装一个软件”，而是搭建一条从操作系统到训练框架的完整依赖链。任何一层版本不匹配，都会在启动、渲染、物理仿真或 GPU 训练阶段暴露问题。本节围绕这条依赖链，讲清安装顺序、版本兼容原则与常见故障排查方法。

一、核心原理：五层依赖链与版本锁定

Isaac Lab 的运行环境可以抽象为五层：Ubuntu 操作系统层、NVIDIA 驱动层、CUDA/计算栈层、Isaac Sim/Omniverse 层、Isaac Lab 应用层。上层依赖下层，且版本约束是“向下兼容有限、向上不保证”。例如 Isaac Sim 4.x 通常要求较新的驱动与 CUDA 版本，而 Isaac Lab 又对 Isaac Sim 版本有明确对应关系。因此正确做法是：先确定 Isaac Lab 版本，再反推 Isaac Sim 版本，再确定 CUDA 与驱动，最后确认 Ubuntu 版本。

下图展示了从 Ubuntu 到 Isaac Lab 的五层依赖链及关键版本约束关系，帮助你在安装前建立整体视图。

二、安装流程：从系统到 Isaac Lab 的标准步骤

推荐使用 Ubuntu 22.04 LTS 作为基础系统，并确保磁盘空间充足（Isaac Sim 及缓存通常需要 50GB 以上）。安装顺序建议如下：

1. 更新系统并安装基础依赖：sudo apt update && sudo apt upgrade -y，安装 build-essential、git、python3-pip 等。
2. 安装 NVIDIA 驱动：可通过 ubuntu-drivers devices 查看推荐版本，再执行 sudo apt install nvidia-driver-535，重启后用 nvidia-smi 验证。
3. 确认 CUDA 可用：Isaac Sim 通常自带 CUDA 运行时，但系统级 CUDA 可通过 nvcc --version 检查；若缺失，按需安装 CUDA Toolkit。
4. 安装 Isaac Sim：推荐使用 pip 方式安装到虚拟环境，避免污染系统 Python。
5. 安装 Isaac Lab：克隆仓库后以可编辑模式安装，并运行官方示例验证。

# 1. 创建并激活虚拟环境
python3 -m venv ~/env_isaaclab
source ~/env_isaaclab/bin/activate

# 2. 升级 pip 并安装 Isaac Sim（版本需与 Isaac Lab 匹配）
pip install --upgrade pip
pip install isaacsim==4.2.0.2 --extra-index-url https://pypi.nvidia.com

# 3. 克隆并安装 Isaac Lab
git clone https://github.com/isaac-sim/IsaacLab.git
cd IsaacLab
./isaaclab.sh --install

# 4. 验证安装
./isaaclab.sh -p scripts/tutorials/00_sim/create_empty.py

三、版本兼容：必须核对的对应关系

版本兼容是环境搭建中最容易踩坑的部分。下表列出常见组合的对应关系，实际使用时请以官方文档为准。

若版本不匹配，常见表现包括：导入模块时报 ModuleNotFoundError、启动时提示 Omniverse 版本不兼容、物理仿真崩溃或 GPU 内存异常。此时应优先核对 Isaac Lab 与 Isaac Sim 的对应关系，而不是反复重装驱动。

四、常见问题排查与复盘

环境搭建中的问题往往集中在驱动、显示、Python 环境和 GPU 资源四类。建议按以下清单逐项排查：

• nvidia-smi 无输出或报错：驱动未正确安装或与内核不匹配，检查 dkms status，必要时重装驱动并禁用 nouveau。
• Isaac Sim 启动黑屏或崩溃：多为 Vulkan 或显示驱动问题，确认驱动支持 Vulkan，远程服务器需使用无头模式或虚拟显示。
• 导入 isaaclab 失败：虚拟环境未激活或 Isaac Sim 未安装到同一环境，检查 pip list | grep isaac。
• GPU 内存不足：降低并行环境数量、关闭不必要的渲染，或使用更小场景进行验证。
• 训练速度异常慢：确认是否真正使用 GPU，检查 torch.cuda.is_available() 与任务配置中的 device 设置。

复盘来看，环境搭建的关键不是“装得快”，而是“版本对、环境隔离、验证充分”。先跑通官方最小示例，再逐步引入自己的机器人与任务配置，可以显著降低排障成本。完成本节环境后，后续的机器人导入、训练与部署才有稳定基础。