Skip to content

Latest commit

 

History

History
161 lines (116 loc) · 9.98 KB

README_CN.md

File metadata and controls

161 lines (116 loc) · 9.98 KB
Raw

Genesis

Teaser

PyPI - Version PyPI - Downloads GitHub Issues GitHub Discussions

README in English 简体中文版自述文件

Genesis 通用物理引擎

目录

  1. 概述
  2. 主要特点
  3. 快速入门
  4. 参与贡献
  5. 帮助支持
  6. 许可证与致谢
  7. 相关论文
  8. 引用

概述

Genesis 是专为 机器人/嵌入式 AI/物理 AI 应用设计的通用物理平台，集成了以下核心功能：

  • 通用物理引擎: 从底层重建,支持多种材料和物理现象模拟
  • 机器人模拟平台: 轻量、高速、Python友好的开发环境
  • 真实感渲染: 内置光线追踪渲染系统
  • 生成数据引擎: 自然语言驱动的多模态数据生成

我们的长期使命:

  • 降低物理模拟使用门槛
  • 统一各类物理求解器
  • 实现数据生成自动化

项目主页: https://genesis-embodied-ai.github.io/

主要特点

  • 速度：Genesis 提供了前所未有的模拟速度——在单个 RTX 4090 上模拟 Franka 机器人手臂时超过 4300 万 FPS（比实时快 430,000 倍）。
  • 跨平台：Genesis 原生运行在不同系统（Linux、MacOS、Windows）和不同计算后端（CPU、Nvidia GPU、AMD GPU、Apple Metal）上。
  • 各种物理求解器的统一：Genesis 开发了一个统一的模拟框架，集成了各种物理求解器：刚体、MPM、SPH、FEM、PBD、稳定流体。
  • 支持广泛的材料模型：Genesis 支持刚体和关节体、各种液体、气体现象、可变形物体、薄壳物体和颗粒材料的模拟（及其耦合）。
  • 支持广泛的机器人：机器人手臂、腿式机器人、无人机、软体机器人等，并广泛支持加载不同文件类型：MJCF (.xml)、URDF、.obj、.glb、.ply、.stl 等。
  • 照片级真实感和高性能光线追踪器：Genesis 支持基于光线追踪的原生渲染。
  • 可微分性：Genesis 设计为完全兼容可微分模拟。目前，我们的 MPM 求解器和工具求解器是可微分的，其他求解器的可微分性将很快添加（从刚体模拟开始）。
  • 基于物理的触觉传感器：Genesis 包含一个基于物理的可微分 触觉传感器模拟模块。这将很快集成到公共版本中（预计在 0.3.0 版本中）。
  • 用户友好性：Genesis 设计为尽可能简化模拟的使用。从安装到 API 设计，如果有任何您觉得不直观或难以使用的地方，请 告诉我们。

快速入门

安装

Genesis 可通过 PyPI 获取：

pip install genesis-world  # 需要 Python >=3.9

同时需要按照官方指南安装 PyTorch。

Docker 支持

如果您想通过 Docker 使用 Genesis，您可以首先构建 Docker 镜像，命令如下：

docker build -t genesis -f docker/Dockerfile docker

然后，您可以在 Docker 镜像内运行示例代码（挂载到 /workspace/examples）：

xhost +local:root # 允许容器访问显示器

docker run --gpus all --rm -it \
-e DISPLAY=$DISPLAY \
-v /tmp/.X11-unix/:/tmp/.X11-unix \
-v $PWD:/workspace \
genesis

文档

参与贡献

Genesis 项目的目标是构建一个完全透明、用户友好的生态系统，让来自机器人和计算机图形学的贡献者 共同创建一个高效、真实（物理和视觉上）的虚拟世界，用于机器人研究及其他领域。

我们真诚地欢迎来自社区的 任何形式的贡献，以使世界对机器人更友好。从 新功能的拉取请求、错误报告，到甚至是使 Genesis API 更直观的微小 建议，我们都全心全意地感谢！

帮助支持

  • 请使用 Github Issues 报告错误和提出功能请求。

  • 请使用 GitHub Discussions 讨论想法和提问。

许可证和致谢

Genesis 源代码根据 Apache 2.0 许可证授权。 没有这些令人惊叹的开源项目，Genesis 的开发是不可能的：

Genesis 背后的论文

Genesis 是一个大规模的努力，将各种现有和正在进行的研究工作的最先进技术集成到一个系统中。这里我们列出了一些对 Genesis 项目有贡献的论文（非详尽列表）：

  • Xian, Zhou, et al. "Fluidlab: A differentiable environment for benchmarking complex fluid manipulation." arXiv preprint arXiv:2303.02346 (2023).
  • Xu, Zhenjia, et al. "Roboninja: Learning an adaptive cutting policy for multi-material objects." arXiv preprint arXiv:2302.11553 (2023).
  • Wang, Yufei, et al. "Robogen: Towards unleashing infinite data for automated robot learning via generative simulation." arXiv preprint arXiv:2311.01455 (2023).
  • Wang, Tsun-Hsuan, et al. "Softzoo: A soft robot co-design benchmark for locomotion in diverse environments." arXiv preprint arXiv:2303.09555 (2023).
  • Wang, Tsun-Hsuan Johnson, et al. "Diffusebot: Breeding soft robots with physics-augmented generative diffusion models." Advances in Neural Information Processing Systems 36 (2023): 44398-44423.
  • Katara, Pushkal, Zhou Xian, and Katerina Fragkiadaki. "Gen2sim: Scaling up robot learning in simulation with generative models." 2024 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2024.
  • Si, Zilin, et al. "DiffTactile: A Physics-based Differentiable Tactile Simulator for Contact-rich Robotic Manipulation." arXiv preprint arXiv:2403.08716 (2024).
  • Wang, Yian, et al. "Thin-Shell Object Manipulations With Differentiable Physics Simulations." arXiv preprint arXiv:2404.00451 (2024).
  • Lin, Chunru, et al. "UBSoft: A Simulation Platform for Robotic Skill Learning in Unbounded Soft Environments." arXiv preprint arXiv:2411.12711 (2024).
  • Zhou, Wenyang, et al. "EMDM: Efficient motion diffusion model for fast and high-quality motion generation." European Conference on Computer Vision. Springer, Cham, 2025.
  • Qiao, Yi-Ling, Junbang Liang, Vladlen Koltun, and Ming C. Lin. "Scalable differentiable physics for learning and control." International Conference on Machine Learning. PMLR, 2020.
  • Qiao, Yi-Ling, Junbang Liang, Vladlen Koltun, and Ming C. Lin. "Efficient differentiable simulation of articulated bodies." In International Conference on Machine Learning, PMLR, 2021.
  • Qiao, Yi-Ling, Junbang Liang, Vladlen Koltun, and Ming Lin. "Differentiable simulation of soft multi-body systems." Advances in Neural Information Processing Systems 34 (2021).
  • Wan, Weilin, et al. "Tlcontrol: Trajectory and language control for human motion synthesis." arXiv preprint arXiv:2311.17135 (2023).
  • Wang, Yian, et al. "Architect: Generating Vivid and Interactive 3D Scenes with Hierarchical 2D Inpainting." arXiv preprint arXiv:2411.09823 (2024).
  • Zheng, Shaokun, et al. "LuisaRender: A high-performance rendering framework with layered and unified interfaces on stream architectures." ACM Transactions on Graphics (TOG) 41.6 (2022): 1-19.
  • Fan, Yingruo, et al. "Faceformer: Speech-driven 3d facial animation with transformers." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.
  • Wu, Sichun, Kazi Injamamul Haque, and Zerrin Yumak. "ProbTalk3D: Non-Deterministic Emotion Controllable Speech-Driven 3D Facial Animation Synthesis Using VQ-VAE." Proceedings of the 17th ACM SIGGRAPH Conference on Motion, Interaction, and Games. 2024.
  • Dou, Zhiyang, et al. "C· ase: Learning conditional adversarial skill embeddings for physics-based characters." SIGGRAPH Asia 2023 Conference Papers. 2023.

... 以及许多正在进行的工作。

引用

如果您在研究中使用了 Genesis，我们将非常感谢您引用它。我们仍在撰写技术报告，在其公开之前，您可以考虑引用：

@software{Genesis,
  author = {Genesis Authors},
  title = {Genesis: A Universal and Generative Physics Engine for Robotics and Beyond},
  month = {December},
  year = {2024},
  url = {https://github.com/Genesis-Embodied-AI/Genesis}
}