RobotMem + ManiSkill

快速开始

import robotmem
import gymnasium as gym
import mani_skill.envs

mem = robotmem.connect("maniskill-pick-cube")
env = gym.make("PickCube-v1", obs_mode="state", render_mode="rgb_array")
obs, info = env.reset()

for episode in range(100):
    done = False
    while not done:
        action = env.action_space.sample()  # 替换为您的策略
        obs, reward, terminated, truncated, info = env.step(action)
        done = terminated or truncated
        mem.save_perception(
            observation=obs,
            action=action,
            reward=reward,
            metadata={"episode": episode, "task": "PickCube-v1", "success": info.get("success", False)}
        )
    # 从所有历史回合中检索成功的抓取动作
    expert_moves = mem.recall("successful pick and place actions")

集成功能

ManiSkill 是机器人操作研究中使用最广泛的基准测试平台，基于 SAPIEN 物理引擎构建，完全兼容 Gymnasium API。它提供数十种操作任务 — 抓取、堆叠、倒液体、装配 — 供研究人员开发和评估机器人学习算法。然而，标准训练循环在进程结束后会丢弃所有回合数据。

RobotMem 为您的 ManiSkill 训练流程添加了持久记忆层。每一步的观测、动作、奖励和元数据都通过 save_perception 捕获，并存储在一个可跨会话、崩溃甚至硬件更换后恢复的本地数据库中。之后，您可以通过 recall 使用自然语言查询这些记忆 — 搜索"成功的抓取和放置动作"或"夹爪打滑的回合"会返回语义相关的经验。

由于 ManiSkill 遵循 Gymnasium 接口，集成 RobotMem 无需更改您的环境设置。只需在现有训练循环中添加几行 RobotMem 调用，即可立即获得一个不断增长的经验库。这个经验库随时间推移越来越有价值：早期探索数据有助于引导新实验，成功的轨迹可以作为模仿学习的示范，而失败案例则为奖励塑形提供反面例子。

• Gymnasium 原生支持 — 通过标准 gym.make 接口兼容任何 ManiSkill 环境，无需自定义封装器
• 回合级别标记 — 为每条感知数据附加任务名称、成功标志、机器人配置和自定义元数据，实现结构化过滤
• 轨迹语义搜索 — 使用自然语言查询而非手动索引来查找相关的历史经验
• 跨任务迁移 — PickCube 的经验可以为 StackCube 提供参考；RobotMem 的语义索引能够跨任务边界发现相关知识
• 轻量且本地化 — 无需云服务，无 GPU 存储开销；完全在您的工作站上与 SAPIEN 并行运行

适用场景

当您运行 ManiSkill 实验并希望在会话间保留训练数据时，请使用此集成。它对经验回放研究特别有价值，因为您需要一个能够超越单次训练运行生命周期的持久缓冲区。如果您正在进行多任务操作学习，RobotMem 让您可以跨 PickCube、StackCube、PegInsertionSide 等任务构建共享经验池。对于仿真到真实 (sim-to-real) 工作流，持久记忆充当桥梁 — 您的真实机器人可以检索仿真智能体学到的内容，并按任务相关性和成功率进行过滤。