Skip to content

README_CN.md

Latest commit

 

History

History
215 lines (159 loc) · 12.5 KB

README_CN.md

File metadata and controls

215 lines (159 loc) · 12.5 KB

Genesis

Teaser

PyPI - Version PyPI - Downloads GitHub Issues GitHub Discussions Discord

README in English README en Français 한국어 README 简体中文版自述文件 日本語版 README

Genesis 通用物理引擎

🔥 最新消息

  • [2025-08-05] 发布 v0.3.0 🎊 🎉
  • [2025-07-02] Genesis 的开发工作现已获得 Genesis AI 的官方支持。
  • [2025-01-09] 我们发布了一份关于 Genesis 的详细性能基准测试和比较报告，并附上所有测试脚本。
  • [2025-01-08] 发布 v0.2.1 🎊 🎉
  • [2025-01-08] 创建了 Discord 和 微信 社区群。
  • [2024-12-25] 添加了支持光线追踪渲染器的 docker。
  • [2024-12-24] 添加了为 Genesis 做贡献的指南。

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）。
  • 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。

快速安装

首先，请根据官方指南安装 PyTorch。

然后，通过 PyPI 安装 Genesis：

pip install genesis-world  # 要求 Python>=3.10,<3.14;

要安装最新的版本，请先通过 pip install --upgrade pip 命令确保 pip 是最新版本，然后运行以下命令：

pip install git+https://github.com/Genesis-Embodied-AI/Genesis.git

请注意，您仍需手动更新此软件包以与主分支保持同步。

如果用户希望编辑 Genesis 的源代码，我们鼓励以可编辑模式安装。首先，请确保已卸载 genesis-world，然后克隆代码仓库并在本地安装：

git clone https://github.com/Genesis-Embodied-AI/Genesis.git
cd Genesis
pip install -e ".[dev]"

Docker

如果您希望通过 Docker 使用 Genesis，可以先像这样构建 Docker 镜像：

docker build -t genesis -f docker/Dockerfile docker

然后您可以在 Docker 镜像中运行示例（示例文件挂载于 /workspace/examples）：

xhost +local:root # 允许容器访问显示设备

docker run --gpus all --rm -it \
-e DISPLAY=$DISPLAY \
-e LOCAL_USER_ID="$(id -u)" \
-v /dev/dri:/dev/dri \
-v /tmp/.X11-unix/:/tmp/.X11-unix \
-v $(pwd):/workspace \
--name genesis genesis:latest

AMD 用户

AMD 用户可以使用 docker/Dockerfile.amdgpu 文件来使用 Genesis，该文件可通过运行以下命令构建：

docker build -t genesis-amd -f docker/Dockerfile.amdgpu docker

然后通过运行以下命令来使用：

docker run -it --network=host \
 --device=/dev/kfd \
 --device=/dev/dri \
 --group-add=video \
 --ipc=host \
 --cap-add=SYS_PTRACE \
 --security-opt seccomp=unconfined \
 --shm-size 8G \
 -v $PWD:/workspace \
 -e DISPLAY=$DISPLAY \
 genesis-amd

示例文件将可以在 /workspace/examples 目录下找到。注意：AMD 用户应使用 Vulkan 后端。这意味着您需要调用 gs.init(vulkan) 来初始化 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：

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