mjlab

用 Isaac Lab 式接口加 MuJoCo Warp 物理的轻量 GPU 机器人学习框架。

mjlab 是 Kevin Zakka、Koushil Sreenath、Pieter Abbeel 等人开发的开源框架，论文于 2026 年 1 月发布。它沿用 Isaac Lab 的「管理器式」接口：把观测、奖励、随机事件等写成可组合的模块来拼环境；物理后端换成 MuJoCo 的 GPU 版本 MuJoCo Warp，可并行仿真数千个环境。好处是一条命令即可安装、依赖少，还能直接访问 MuJoCo 原生数据结构。它自带速度跟踪、动作模仿和操作三类参考任务，常用于人形、四足的强化学习运控。训练需要英伟达 GPU，macOS 只能做评估。

例子运行 uv run train Mjlab-Velocity-Flat-Unitree-G1 --env.scene.num-envs 4096，在 4096 个并行环境里训练宇树 G1 按速度指令行走。

相关

MuJoCo Warp、Isaac Lab、MuJoCo Playground、GPU 并行仿真、强化学习运控、宇树 G1

来源

mjlab: A Lightweight Framework for GPU-Accelerated Robot Learning (arXiv 2601.22074)
mjlab GitHub 仓库

信息截至

2026-09