🎮 赛博重力场：具身智能开源模拟环境深入浅出实战教程

🛠️ 延伸实战：在 LIBERO 赛博重力场中部署 0.2B 极速模型 TurboVLA

在主文中，我们聊到了 LIBERO 作为具身智能 VLA 策略评测金标准的重要性。很多朋友在后台问：“如果我想把目前最火的 0.2B 极速具身模型 TurboVLA 部署到 LIBERO 仿真中跑一遍评测，具体该怎么做？”

今天这篇回帖就为大家送上这份保姆级端到端实战手册！从环境安装、权重拉取，到自动化基准评测与 Python 闭环控制脚本，一步到位 🚀⚡。

---

#### 1. 极速环境配置与依赖安装 📦

TurboVLA 官方仓库已经直接内置了与 LIBERO 的无缝集成。

# 1. 创建 Python 3.10 隔离环境
conda create -n turbovla-libero python=3.10 -y
conda activate turbovla-libero

# 2. 安装 CUDA 12.1 匹配的 PyTorch
pip install torch==2.3.1 torchvision==0.18.1 --index-url https://download.pytorch.org/whl/cu121

# 3. 克隆 TurboVLA 源码并安装 LIBERO 扩展
git clone https://github.com/H-EmbodVis/TurboVLA.git
cd TurboVLA
pip install -e ".[libero]"

> 💡 避坑提醒（无头服务器渲染）： > 如果在没有接显示器的远程云服务器上运行，MuJoCo 需要启用 EGL 渲染加速： >

> export MUJOCO_GL=egl
> export PYOPENGL_PLATFORM=egl
> 

---

#### 2. 下载 TurboVLA 预训练权重 📥

通过 Hugging Face CLI 一键高速拉取官方 LIBERO 评测模型（体积仅 ~0.8 GB，显存占用 < 0.9 GB）：

pip install -U huggingface_hub
hf download H-EmbodVis/TurboVLA --local-dir pretrained/TurboVLA

---

#### 3. 运行 LIBERO 官方四大套件自动化评测 🎮

TurboVLA 支持一键启动评测，并支持自动录制机械臂操作回放视频：

# 运行 LIBERO-Spatial 空间方位认知套件评测
python eval_libero.py \
    --config pretrained/TurboVLA/config.yaml \
    --checkpoint pretrained/TurboVLA/turbovla_libero.pth \
    --task_suite libero_spatial \
    --num_trials_per_task 10 \
    --device cuda:0 \
    --save_video

#### 4. Python 闭环推断实战代码（Action Chunking 滚动控制）💻

如果你想在自己的代码中逐帧获取 LIBERO 双视角图像并驱动机械臂，可以参考以下核心控制脚本：

import torch
import numpy as np
import torchvision.transforms as T
from PIL import Image
from libero.libero import benchmark
from libero.libero.envs import OffScreenRenderEnv
from turbovla.models import TurboVLAPolicy

# 1. 加载 TurboVLA 策略网络 (仅占用 0.9GB 显存)
device = "cuda:0" if torch.cuda.is_available() else "cpu"
model = TurboVLAPolicy.from_pretrained("pretrained/TurboVLA").to(device)
model.eval()

transform = T.Compose([
    T.Resize((224, 224)),
    T.ToTensor(),
    T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
])

# 2. 初始化 LIBERO 空间任务
task_suite = benchmark.get_benchmark_dict()["libero_spatial"]()
task = task_suite.get_task(0)
print(f"🤖 任务名称: {task.name} | 🗣️ 指令: {task.language}")

env = OffScreenRenderEnv(bddl_file_name=task.problem_folder, camera_heights=224, camera_widths=224)
env.seed(42)
obs = env.reset()

# 3. 闭环推断执行 (32 Hz 超低延迟)
max_steps, step_count, success = 300, 0, False

with torch.no_grad():
    while step_count < max_steps:
        # 提取主机位与手眼双视角画面
        agent_img = transform(Image.fromarray(obs["agentview_image"])).unsqueeze(0).to(device)
        wrist_img = transform(Image.fromarray(obs["robot0_eye_in_hand_image"])).unsqueeze(0).to(device)
        images = torch.stack([agent_img, wrist_img], dim=1) # [1, 2, 3, 224, 224]
        
        # TurboVLA 极速前向推断 (仅 31.2ms ⚡)
        action_chunk = model.predict_action(images=images, instructions=[task.language])[0].cpu().numpy()
        
        # 连续下发 16 步动作块 (Action Chunking)
        for action in action_chunk:
            obs, reward, done, info = env.step(action)
            step_count += 1
            if done:
                print(f"🎉 任务完美达成！共耗时 {step_count} 步。")
                success = True
                break
        if success:
            break

env.close()

配合主文中的模拟器并行机制，大家可以直接在本地显卡上畅快体验具身智能从虚拟训练到精准控制的全流程！🤖💡