Isaac Lab과 Robot Simulation

새 Simulator의 예제를 실행하는 데서 멈추지 않고, 내 연구 Task에서 바꿔야 할 관측·행동·물리를 찾습니다.

• CPU 경로: Gymnasium·NumPy·Matplotlib.
• 공식 SO-101 튜토리얼: Python 3.12·uv·Git LFS, Linux/Windows + NVIDIA GPU.
• GPU 환경: 수업 전 점검. 개인 장비 우선, 공용 환경으로 보완.
• Jetson 확장: Edge 추론·지연 측정.

이동로봇의 경로와 안전

격자 경로 또는 연속 속도 제어 중 한 가지를 선택하는 적용 설계 사례입니다.

Observation·State

위치·목표 상대 위치·근접 장애물 관측.

행동

격자 방향 선택 또는 제한된 Linear Velocity·Angular Velocity.

Reward·Constraint

도착·충돌·이동 비용을 분리. 충돌과 시간 초과를 구분.

비교 기준

최단 경로, 규칙 기반 회피.

확인할 지표

성공률, 충돌률, 이동 거리, 시간. 미관측 지도에서 평가.

구동계의 추종 성능과 입력 비용

각 실험에서 일정한 Reference Angular Velocity를 추종하는 합성 1차 Motor 모델입니다. 학습은 목표 1, 평가는 0.5·1·1.5에서 구분합니다.

Observation·State

Angular Velocity $\omega/5$, 목표 $r/2$.

행동

연속 $a\in[-1,1]$, 실제 입력 $u=2a$.

Reward·Constraint

$-((r-\omega)^2+0.05u^2)$. $|\omega|>5$에서 종료, 100 step에서 시간 제한.

비교 기준

동일 입력 제한의 P 제어.

확인할 지표

추종 RMSE, 평균 u², 안전 종료 수. 목표별 분리 평가.

시작 조건

CartPole-v1의 관측·행동·Reset·시간 제한을 출발점으로 삼습니다.

진행 방법

1. 제공된 Rule policy를 실행하고 Episode 하나의 관측·행동을 기록하세요.
2. Isaac Lab 공식 Quickstart에서 Task·Physics backend·Renderer·RL library의 역할을 찾아 대응시키세요.

남길 결과

• 환경 인터페이스 대응 표와 Rollout 한 개.

시작 조건

GPU 환경: 준비된 Linux/Windows NVIDIA 환경에서 공식 Quickstart의 Task 목록→Zero/Random agent→학습→Play 순으로 진행합니다. CPU 환경: 같은 시간에 CartPole Transition·정책 비교와 Task 설정 대응을 완성합니다.

진행 방법

1. GPU 환경이 준비되어 있으면 공식 문서의 현재 버전에 맞춰 Cartpole Task를 실행하고 Task ID·backend·seed·실행 명령을 기록하세요.
2. GPU 환경이 없으면 제공된 CPU 코드에서 Random과 Rule의 궤적을 비교하고 종료 원인을 찾으세요.
3. 선택 경로에서 관측·행동·종료 규칙 중 한 항목을 바꾸려면 어느 설정을 수정할지 찾으세요.

남길 결과

• GPU: 실행 화면 또는 Rollout과 실행 조건. CPU: 상태 궤적 그림과 설정 대응 표.

시작 조건

Manipulation·이동로봇·공정 제어 중 하나를 선택합니다.

진행 방법

1. 장면·상태 관측·Action scale·Reward·Reset·Termination을 한 표에 적으세요.
2. Isaac Lab 공식 로봇 튜토리얼에서 해당 설정이 있는 파일·구성요소를 연결하세요.
3. 첫 실험에서는 무엇을 고정하고 어떤 한 항목만 바꿀지 정하세요.

남길 결과

• 최소 Task 설계 표와 첫 검증 계획.

• Isaac Lab · Quickstart
• Isaac Lab · SO-101 Task 튜토리얼