企业官网建设流程全解析

ManiSkill 任务系统全景指南：从任务卡片到九大任务分类的完整解读

【免费下载链接】ManiSkillManipulation Skill Framework, an open source GPU parallelized robotics simulator and benchmark项目地址: https://gitcode.com/GitHub_Trending/ma/ManiSkill

导读

ManiSkill 是一个 GPU 并行化的开源机器人仿真与基准框架（Manipulation Skill Framework），其内置了大量刚体（rigid-body）任务，全部支持 GPU 并行仿真与渲染。本文以docs/source/tasks/index.md及其下属任务分类文档为主线，系统解读 ManiSkill 3 的任务系统：如何阅读"任务卡片"（Task Card）、如何理解奖励/演示/资产徽章、如何下载任务资产与演示数据、不同观察模式下目标信息的呈现差异，并逐一展开控制、桌面夹爪、四足、人形、移动操作、灵巧手、数字孪生、绘图与外部基准九大类任务的完整清单与关键设定，最后结合源码（如 pick_cube.py）说明任务在仓库中的注册与实现方式。读完本文，你将能够按环境 ID 快速定位任何内置任务的规格、运行环境并下载所需资源。

一、任务系统概述：GPU 并行化的刚体任务集

ManiSkill 内置了一系列刚体任务，覆盖运动控制、灵巧操作、移动操作、绘图、数字孪生等多种能力维度。这些任务全部经过 GPU 并行化，可在单个 GPU 上同时运行大量环境实例，并支持 GPU 渲染，是强化学习、模仿学习与数据采集的理想基准。

任务分类（即官方文档中的 toctree）共九类：

• Control：经典控制任务（类似 DM Control 套件，但支持 GPU 并行仿真与渲染）
• Table-Top 2 Finger Gripper：桌面场景下的双指夹爪操作
• Quadruped：四足机器人运动与操作
• Humanoid：人形机器人控制
• Mobile Manipulation：移动操作机器人（Fetch 等带移动底盘）
• Dextrous：灵巧手任务
• Digital Twins：数字孪生任务（训练/评估型）
• Drawing：机器人绘图任务
• External：社区贡献的外部基准任务

说明：软体（soft-body）任务仍托管在 ManiSkill2 代码库中，尚未完全集成进 ManiSkill3。因此在当前版本中，任务集以刚体任务为主。

二、任务卡片（Task Card）：快速掌握任务规格的统一范式

对于上述每个任务，官方文档都提供了一张任务卡片（Task Card），简明扼要地描述该任务的所有关键属性，包括：

• 任务描述（Task Description）：任务目标的一句话概括；
• 支持的机器人（Supported Robots）：可用于该任务的机器人 UID 列表；
• 随机化（Randomizations）：任务在每次 episode 重置（含 reconfiguration 重配置阶段）时对物体位姿、机器人初始状态等引入的随机范围；
• 成功条件（Success Conditions）：判定任务成功的量化阈值；
• 失败条件（Fail Conditions）：判定任务失败的量化阈值（部分任务无）；
• 目标指定方式（Goal Specification）：目标在观察（observation）中如何表达（仅当目标非视觉形式时给出）。

任务卡片是理解、对比与复现任务的第一手资料：训练策略前，先读卡片确认成功阈值与随机化范围；编写自定义任务时，任务卡片也是文档化的标准模板。

三、奖励、演示与资产徽章：一眼识别任务属性

文档为每个任务标记了三类徽章（badge），用于快速传达任务特性：

徽章体系与源码中的任务文档字符串一一对应。以 pick_cube.py 为例，其模块级PICK_CUBE_DOC_STRING即定义了与任务卡片一致的任务描述、随机化与成功条件文本，并由文档生成脚本（generate_task_docs.py）自动渲染为官方文档。

四、资产与演示数据下载：两条核心命令

如果某任务带有Download Asset徽章，说明其运行前必须下载对应资产（如 PartNet-Mobility 家具、YCB 物体网格等）。官方提供两条命令行下载工具：

下载任务资产：

python -m mani_skill.utils.download_asset <env_id>

下载任务演示数据：

python -m mani_skill.utils.download_demo <env_id>

其中<env_id>为环境 ID，例如PickCube-v1、PickSingleYCB-v1、OpenCabinetDrawer-v1。对应的下载实现位于 mani_skill/utils/download_asset.py 与 mani_skill/utils/download_demo.py。

提示：部分任务的演示数据是跨多个环境共享的（例如 OpenCabinet 系列基于 PartNet-Mobility 资产），下载时按文档指引操作即可。资产是否必需、演示是否存在，均可通过上文的徽章判断。

五、观察模式：state 与视觉模式的信息差异

任务文档特别强调：不同观察模式下，任务提供的状态观察数据不同。

• 当观察模式（observation mode）为state或state_dict时，所有求解任务所需的真实数据（ground truth）都会给出——包括物体位姿、速度等；
• 当观察模式为任意视觉模式（如rgb、depth、pointcloud等）时，框架会移除通常在真实世界中无法获取的真值观察数据（例如物体的位姿），以保证视觉观察与真实物理世界的一致性，避免策略在训练时"作弊"。

这一设计对 sim2real 训练至关重要：视觉模式下无法依赖真值位姿，策略必须从图像/点云中推理状态，从而提升迁移到真实机器人的可能性。相关观察模式的定义可参考 observation 概念文档 与 gymnasium 包装器。

六、九大任务分类详解

6.1 控制类任务（Control Tasks）

控制类任务的目标是控制机器人到达特定状态，风格接近经典 DM Control 套件，但在 ManiSkill 中支持 GPU 并行仿真与渲染。该类任务默认不提供演示数据，最大 episode 步数一般为 600–1000。

关键任务卡片要点：

• MS-AntRun-v1 / MS-AntWalk-v1：蚂蚁机器人分别以 4 m/s、0.5 m/s 的速度沿 x 方向前进；随机化：qpos 与 qvel 添加 [-1e-2, 1e-2] 均匀噪声；无具体成功条件。
• MS-CartpoleBalance-v1：用小车平衡竖直杆；杆方向在垂直轴周围 [-0.05, 0.05] 弧度随机化；失败条件：杆低于水平面。
• MS-CartpoleSwingUp-v1：将杆从下垂状态甩起并保持竖直；杆方向在 [-π, π] 全圆随机化；成功条件为整个 episode 杆保持竖直。
• MS-HopperHop-v1 / MS-HopperStand-v1：跳跃/站立任务；机器人绕 y 轴随机旋转 [-π, π]，qpos 在允许范围内均匀采样。
• MS-HumanoidRun / Walk / Stand-v1：跑步/行走/站立；qpos、qvel 加 [-1e-2, 1e-2] 均匀噪声（Stand 还绕 z 轴随机旋转 [-π, π]）；失败条件：躯干 link 的 z 坐标离开 [0.7, 1.0] 区间。

这些环境的 MuJoCo 模型位于 mani_skill/envs/tasks/control/assets，源码位于 mani_skill/envs/tasks/control。

6.2 桌面双指夹爪任务（Table-Top 2 Finger Gripper Tasks）

这是 ManiSkill 任务体系中最核心、最丰富的一类：任务位于桌面上，由带双指夹爪的机械臂操作物体。其中PickCube-v1 被官方定义为"基线任务"（baseline task），用于验证一个具备操作能力的机器人能否被正确仿真与训练，因此源码中为多个机器人（Panda、Fetch、XArm6Robotiq、SO100、WidowXAI）提供了适配代码与表格场景构建器（TableSceneBuilder）。

关键任务卡片要点：

• PickCube-v1（基线任务）：抓取红色立方体并移动到目标位置。随机化：立方体 xy 在 [0.1, 0.1] × [-0.1, -0.1] 区域（相对于桌面），z 轴旋转随机，目标点（绿色球体）xy 随机且 z 在 [0, 0.3]。成功条件：立方体与目标点欧氏距离 ≤goal_thresh（默认 0.025m），且机器人静止（q velocity < 0.2）。其源码位于 pick_cube.py，goal_thresh = 0.025、max_episode_steps=50均可在类定义中确认。
• LiftPegUpright-v1：将平放木栓立起至任意竖直位置。成功条件：木栓 y 欧拉角绝对值与 π/2 相差 ≤ 0.08，且 z 坐标与其半长（0.12）相差 ≤ 0.005。
• PegInsertionSide-v1：抓取橙白木栓并将橙色端插入带孔盒子。重配置时随机化木栓半长 [0.085, 0.125]m、半径 [0.015, 0.025]m（盒孔半径 = 同值 + 0.003m 间隙）。成功条件：木栓白色端距盒中心 ≤ 0.015m。
• PickSingleYCB-v1：从 YCB 数据集随机采样物体并移动到随机目标位姿；成功条件：物体与目标欧氏距离 ≤goal_thresh（默认 0.025）且机器人静止。官方建议 GPU 仿真下使用≥128 个并行环境，以便一次覆盖 YCB 数据库中所有物体（否则需要 reconfiguration 才能采样新物体）。
• PushT-v1：Diffusion Policy 论文中真实 Push-T 任务的仿真版。机器人需：1) 将 T 形块精确推入目标区域；2) 将末端执行器移动到 end-zone 结束 episode（PushT-easy 无需第 2 步）。成功条件：T 形块覆盖 2D 目标 T 面积的 90%。
• StackCube-v1：将红立方体叠到绿立方体上并松手。成功条件：红立方体位于绿立方体上方（偏差不超过半个立方体尺寸）、静止且未被夹爪抓持。
• StackPyramid-v1：将红、绿、蓝三立方体堆成金字塔。成功条件：蓝色立方体静止、同时位于红绿两立方体之上（偏差 ≤ 半个立方体尺寸），且三立方体均未被夹爪抓持。
• TwoRobotPickCube-v1 / TwoRobotStackCube-v1：双机器人协作任务。前者中，目标位置超出左机器人可达范围、立方体超出右机器人可达范围，因此两台机器人必须协作搬运；后者中，两台机器人分别取绿、蓝立方体，协作完成堆叠。随机化保证立方体互不碰撞、且各自仅对一侧机器人可达。
• PlugCharger-v1：将充电器插入插座；随机化充电器与插座在桌面 xy 平面上的位置与旋转（人视角相机相对于插座固定）。
• RollBall-v1：将球滚到桌子另一端的红色/白色圆形目标区；成功阈值goal_radius默认 0.1。
• PullCubeTool-v1：利用 L 形工具拉动机械臂够不到的立方体（工具使用类任务）。

对应源码均在 mani_skill/envs/tasks/tabletop，每个任务一个 Python 文件，例如 stack_cube.py、push_t.py。

6.3 四足机器人任务（Quadruped Tasks）

该类任务使用四足机器人（如 ANYmal、Unitree Go）进行运动与操作。

关键任务卡片要点：

• AnymalC-Reach-v1：控制 AnymalC 机器人到达前方目标位置。目标初始化在正前方 2.5 ± 0.5 米、两侧 ±1 米范围内。成功条件：机器人位置距目标 ≤ 0.35 米；失败条件：机器人摔倒（主体中心触地）。目标以 XY 平面上的 2D 位置表达。
• AnymalC-Spin-v1：原地快速自旋，以角速度作为奖励。失败条件同为摔倒。
• UnitreeGo2-Reach-v1：同为到达任务，使用 Unitree Go2 机器人。

四足任务的注册与实现见 mani_skill/envs/tasks/quadruped。

6.4 人形机器人任务（Humanoid Tasks）

ManiSkill 同时支持真实世界人形机器人（Unitree G1/H1）与 MuJoCo 人形机器人，该类任务一般涉及双腿+双臂的控制。

关键任务卡片要点：

• UnitreeG1PlaceAppleInBowl-v1：G1 用右臂抓取苹果放入侧边碗中。碗与苹果 xy 均在 [0.025, 0.025] × [-0.025, -0.025] 桌面区域随机化。成功条件：苹果距碗位置 ≤ 0.05m，且右手保持在碗外并高于碗至少 0.125m。目标以碗的 3D 位置表达。
• UnitreeG1TransportBox-v1：G1 在一张桌上找到盒子，搬运到另一张桌并放置。成功条件：盒子静置于另一张桌上。
• UnitreeG1Stand-v1 / UnitreeH1Stand-v1：站立任务（仅稀疏奖励，无演示）。

实现见 mani_skill/envs/tasks/humanoid，机器人模型位于 mani_skill/assets/robots/g1_humanoid。

6.5 移动操作任务（Mobile Manipulation Tasks）

使用带移动底盘的机器人（如 Fetch）执行操作任务。

关键任务卡片要点（OpenCabinetDrawer-v1）：

• 使用 Fetch 移动操作机器人靠近目标柜子并拉开指定抽屉。
• 随机化：机器人初始位于距柜子 1.6–1.8 米并面向柜子；底盘朝向随机 ±9°；柜子从所有含抽屉的 PartNet-Mobility 柜子中随机采样；抽屉从所有可开抽屉中随机选择。
• 成功条件：抽屉至少打开 90%，且抽屉 link 的角/线速度较小。
• 目标指定：3D 目标位置位于待开抽屉把手网格的质心（人视角渲染中以球体可视化）。

该类任务需要下载 PartNet-Mobility 资产（带Download Asset徽章）。实现见 open_cabinet_drawer.py，场景级移动操作另有社区基准（见 外部基准）。

6.6 灵巧手任务（Dextrous Hand Tasks）

使用灵巧手（D'Claw、Allegro Hand、TriFingerPro）执行精密操作，任务普遍分 Level 0–4 难度梯度。

RotateValveLevel0-v1 ~ Level4-v1（D'Claw）

• 旋转 ROBEL 阀门。随机化（重配置阶段）：旋转方向 r（Level 0 固定 r=1，Level 4 为 {1, -1}）；阀瓣数 v（Level 0-1 固定 3，Level 2-4 为 [3, 6]）；阀瓣角度 φ（Level 0 等间距 (0, 2π/3, 4π/3)，Level 1-4 每个角度随机）；Level 4 额外随机化阀瓣半径；初始阀门旋转随机。
• 成功条件：阀门从初始位置旋转超过 θ 弧度（Level 0: π/2，Level 1-3: π，Level 4: 2π）。
• 目标指定：旋转方向 r（1 或 -1），旋转量隐含在关卡中。

RotateSingleObjectInHandLevel0-v1 ~ Level4-v1（Allegro Hand）：使用带触觉传感器的 Allegro 手旋转随机物体（部分细节标注为 WIP）。

TriFingerRotateCubeLevel0-v1 ~ Level4-v1（TriFingerPro）：旋转立方体。Level 0：桌上随机目标位置、无朝向；Level 1：桌上随机位置+偏航朝向；Level 2：空中固定目标位（x,y=0）、无朝向；Level 3：空中随机位置；Level 4：空中随机位姿含朝向。成功条件：立方体距目标位置 ≤ 0.02m、朝向偏差 ≤ 0.1 rad。

实现见 mani_skill/envs/tasks/dexterity。

6.7 数字孪生任务（Digital Twins）

ManiSkill 同时支持训练型（在仿真中训练、部署到真实世界的 sim2real）与评估型（用真实世界数据训练的模型回仿真评估的 real2sim）数字孪生，并提供简洁的构建框架。

• 训练型数字孪生（WIP）：官方标注"Coming soon"（构建中）。
• BridgeData v2（评估型）：基于 BridgeData v2 环境、参照 SimplerEnv 构建的真实世界通用操作策略评估数字孪生。这些数字孪生同样 GPU 并行化，可大规模、快速评估真实世界的通用机器人策略：GPU 仿真+渲染相较真实世界快约 60 倍、相较 CPU 仿真快约 10 倍，全程无需人工监督。ManiSkill 只提供环境本身，运行 Octo、RT 等模型推理需使用 SimplerEnv 的 maniskill3 分支。目前已提供四个评估环境：
  • PutCarrotOnPlateInScene-v1
  • PutSpoonOnTableClothInScene-v1
  • StackGreenCubeOnYellowCubeBakedTexInScene-v1
  • PutEggplantInBasketScene-v1

对应演示视频位于 figures/environment_demos/digital_twins/bridge_data_v2，实现见 mani_skill/envs/tasks/digital_twins。若在研究中引用 BridgeData v2 数字孪生，文档要求同时引用 ManiSkill 3 及 SimplerEnv 论文（arXiv:2405.05941）。

6.8 绘图任务（Drawing Tasks）

控制机器人绘制指定形状或图案，典型配置为"白画布 + 带笔/棒的机器人画红色线条"。

关键任务卡片要点：

• TableTopFreeDraw-v1：在桌面实例化白画布与带棒的机器人，可自由绘制红色线条。该环境主要作为参考模板，供开发者复制并构建自己的绘图任务（无随机化、无成功条件、无目标）。
• DrawSVG-v1：在画布上给定带轮廓的 SVG 路径，机器人用红线绘制。随机化：目标 SVG 在 xy 平面位置随机、z 旋转在 [0, 2π] 随机。成功条件：机器人绘制的点与目标 SVG 上各点欧氏距离 ≤ 0.05m。
• DrawTriangle-v1：绘制目标三角形（含演示数据），成功条件同上。

实现见 mani_skill/envs/tasks/drawing。

6.9 外部基准任务（External Benchmarks/Tasks）

由社区贡献、构建于 ManiSkill 之上的任务与外部库。

ManiSkill-HAB（家庭整理任务低层操作基准）

• 包含 3 个长时程任务：
  • TidyHouse：将 5 个目标物体移动到不同的开放收纳容器（桌、台面等）；
  • PrepareGroceries：将 2 个物体从打开的冰箱移到台面目标位，再将 1 个物体从台面放回冰箱；
  • SetTable：将 1 个碗从关闭的抽屉移到餐桌，并将 1 个苹果从关闭的冰箱移到同一餐桌。
• 任务拆分为 4 个子任务：Pick、Place、Open、Close。
• 随机化：目标物体/关节物体/目标（依子任务而定）；底盘 x/y 位置与 z 旋转、手臂与躯干 qpos 噪声。
• 成功条件：Pick（物体被抓住、末端执行器回到静止位、机器人静止）、Place（物体距目标位置 ≤ 15cm、末端执行器静止位、机器人静止）、Open/Close（关节物体打开/关闭、末端执行器静止位、机器人静止）。
• 失败条件：机器人累积碰撞力超过阈值（Pick 5000N、Place 7500N、Open/Close 10000N）。
• 完整任务最大步数 1200–2000，子任务为 200。

该任务演示视频与海报图位于 figures/environment_demos/ManiSkill-HAB_rt.mp4 与 docs/source/_static/env_thumbnails/ManiSkill-HAB_rt_poster.png，相关文献为 arXiv:2412.13211。

七、从源码理解任务注册与实现

任务文档并非孤立的文字描述，而是由源码直接生成并与之严格对应。以基线任务 PickCube-v1 为例：

@register_env("PickCube-v1", max_episode_steps=50) class PickCubeEnv(BaseEnv): goal_thresh = 0.025 cube_spawn_half_size = 0.05 SUPPORTED_ROBOTS = ["panda", "fetch", "xarm6_robotiq", "so100", "widowxai"]

关键点：

• 环境 ID 与最大步数由@register_env("PickCube-v1", max_episode_steps=50)装饰器声明（pick_cube.py），注册机制定义在 mani_skill/utils/registration.py；
• 成功阈值（goal_thresh = 0.025）、生成区域（cube_spawn_half_size = 0.05）为类属性，与任务卡片完全一致；
• 场景构建通过TableSceneBuilder（mani_skill/utils/scene_builder/table）完成，立方体与绿色目标球分别由actors.build_cube/actors.build_sphere创建；
• episode 初始化在_initialize_episode中完成：对每个并行环境采样 xy 位置、用randomization.random_quaternions生成随机姿态；
• 任务文档字符串（PICK_CUBE_DOC_STRING）与类定义同处一个文件，由 generate_task_docs.py 自动渲染成docs/source/tasks/下的分类文档。

因此，读者若想确认某任务的精确参数（阈值、步数、机器人列表、随机化范围），直接阅读对应分类目录下的 Python 源文件（如 mani_skill/envs/tasks/tabletop、mani_skill/envs/tasks/control）即可获得与文档一致且更细粒度的实现细节。

八、实践指引总结

1. 选择任务：按需求在九大分类中挑选环境 ID，参考任务卡片中的机器人支持列表、成功条件与随机化范围；
2. 准备资源：若任务带 Download Asset 徽章，先执行python -m mani_skill.utils.download_asset <env_id>；需要演示则执行python -m mani_skill.utils.download_demo <env_id>；
3. 选择观察模式：追求真值信息用state/state_dict；面向真实世界部署用视觉观察模式（真值位姿会被移除）；
4. 训练与评估：配合官方基线（见 examples/baselines 中的 PPO、SAC、BC、Diffusion Policy 等实现）或自定义算法在 GPU 并行环境下大规模采样。

ManiSkill 的任务体系以"任务卡片"为统一信息载体，以 GPU 并行化为底层能力，覆盖从经典控制到灵巧操作、从数字孪生到社区基准的完整谱系，是机器人学习研究中进行任务选择、复现对比与自定义扩展的可靠起点。

【免费下载链接】ManiSkillManipulation Skill Framework, an open source GPU parallelized robotics simulator and benchmark项目地址: https://gitcode.com/GitHub_Trending/ma/ManiSkill