LeRobot documentation

Isaac Teleop

LeRobot

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v0.6.1).

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

Isaac Teleop

Kendalikan robot Anda dengan NVIDIA Isaac Teleop, sebuah kerangka kerja teleoperasi multi-modal. Isaac Teleop menggerakkan satu TeleopSession dari berbagai perangkat input — kontroler XR (VR), pelacakan tangan, pelacakan seluruh tubuh, sarung tangan Manus, pedal kaki, dan lainnya.

Di LeRobot, Isaac Teleop tersedia sebagai contoh mandiri di bawah examples/isaac_teleop_to_so101/. Setiap perangkat input Isaac Teleop merupakan subclass Teleoperator tersendiri dalam paket isaac_teleop dari contoh tersebut, berbagi satu siklus hidup sesi (lihat IsaacTeleopTeleoperator). Perangkat yang tersedia saat ini adalah XR controller (XRController) dan lengan pemimpin SO-101 leader arm yang dapat digerakkan mundur (SO101LeaderArm); sarung tangan Manus dan pelacakan tangan/tubuh penuh adalah perangkat alami berikutnya. Panduan ini berfokus pada XR controller; pemimpin SO-101 dirangkum di bawah Jalankan contoh.

Panduan ini akan mengajarkan Anda:

Bagaimana perangkat Isaac Teleop menggerakkan target end-effector (EE) robot
Cara clutch (jepit/genggaman pada pengendali XR) mengaktifkan teleoperasi tanpa membuat lengan bergerak tersentak
Cara menjalankan contoh teleoperasi SO‑101 dan menyesuaikan gerakan / gripper / IK

Instalasi

Contoh ini ada di repositori LeRobot (bukan bagian dari paket pip lerobot), jadi kloning repositori dan instal dari sumber. Referensi instalasi dan penggunaan yang resmi serta selalu mutakhir adalah README.md dari contoh tersebut; singkatnya:

git clone https://github.com/huggingface/lerobot.git
cd lerobot
uv pip install -e ".[feetech,kinematics,dataset]" "huggingface_hub>=1.5"
uv pip install "isaacteleop[cloudxr,retargeters-lite]~=1.3.131" "scipy>=1.14"

isaacteleop dipublikasikan di PyPI publik (hanya Linux). Ekstra cloudxr membawa binding runtime CloudXR; retargeters-lite adalah jalur retargeter berbasis scipy yang dapat di-resolve di x86_64 maupun ARM (di aarch64 — misalnya DGX Spark — ekstra retargeters penuh tidak dapat di-resolve karena pin dex-retargeting/nlopt-nya, itulah mengapa ini bukan default di sini). Di x86_64, Anda juga dapat menginstal stack retargeter penuh:

uv pip install "isaacteleop[retargeters]~=1.3.131"

Set up CloudXR dan hubungkan headset

Isaac Teleop mengalirkan headset ke mesin Anda melalui NVIDIA CloudXR, yang menyediakan runtime OpenXR tempat sesi terhubung. Secara default, LeTeleop meluncurkan runtime CloudXR secara otomatis untuk Anda saat Anda memanggil teleop_device.connect() — Anda tidak perlu lagi menjalankan python -m isaacteleop.cloudxr dan source cloudxr.env di shell terpisah. Yang Anda butuhkan hanyalah headset yang didukung dan port firewall CloudXR yang terbuka. Ikuti Quick Start Isaac Teleop untuk detail pairing headset dan firewall.

Eksekusi pertama (EULA). Peluncuran pertama kali harus menerima EULA NVIDIA CloudXR. Peluncuran otomatis meminta persetujuan di stdin, sehingga pada mesin headless proses akan menggantung menunggu input. Bootstrap EULA sekali, secara interaktif, dengan:

python -m isaacteleop.cloudxr --accept-eula   # one-time: accept the CloudXR EULA

Setelah itu, connect() meluncurkan runtime secara non-interaktif. Peluncuran terblokir selama ~30 detik saat runtime berjalan.

Konfigurasi. Dua field pada IsaacTeleopConfig (dibagikan oleh setiap perangkat) mengontrol hal ini:

auto_launch_cloudxr (default True) — apakah connect() memulai runtime. Atur False jika CloudXR sudah berjalan secara eksternal.
cloudxr_env_file (default None) — profil perangkat CloudXR opsional .env yang memilih transport headset (misalnya profil Apple Vision Pro). Ini adalah input launcher; bukan file output ~/.cloudxr/run/cloudxr.env yang alur manual lama menyuruh Anda untuk source. None mempertahankan profil auto-WebRTC default — meskipun contoh SO-101 menimpanya menjadi default.env yang disertakan di samping teleoperate.py kecuali Anda meneruskan --teleop.cloudxr_env_file.

Opt out. Untuk melewati auto-launch (CloudXR sudah berjalan), atur auto_launch_cloudxr=False atau export:

export LEROBOT_CLOUDXR_SKIP_AUTOLAUNCH=1

variabel lingkungan memiliki prioritas di atas field konfigurasi: jika LEROBOT_CLOUDXR_SKIP_AUTOLAUNCH=1 diatur, auto-launch akan dilewati meskipun auto_launch_cloudxr=True. Variabel ini tidak bergantung pada ISAACLAB_CXR_SKIP_AUTOLAUNCH dari Isaac Lab — mengatur salah satunya tidak memengaruhi yang lain.

Satu teleoperator per proses. Runtime CloudXR mengonfigurasi lingkungan secara keseluruhan proses (singleton), sehingga jalankan satu teleoperator Isaac Teleop per proses.

Menutup. Selalu panggil teleop_device.disconnect() saat keluar — termasuk saat Ctrl-C. Bungkus loop teleoperation Anda dengan try/finally dan panggil disconnect() di finally. Ini membongkar sesi OpenXR sebelum runtime CloudXR, yang merupakan urutan yang diperlukan; hook atexit launcher hanya membersihkan runtime dan tidak menjalankan __exit__ sesi, sehingga tanpa disconnect() yang eksplisit, eksekusi yang terputus akan ditutup dengan urutan yang salah.

teleop_device.connect()
try:
    while True:
        action = teleop_device.get_action()
        # ... drive the robot ...
finally:
    teleop_device.disconnect()

Lihat Syarat Sistem untuk versi OS / GPU / CloudXR dan headset yang didukung.

Cara kerjanya

The XR controller is one Isaac Teleop input device. XRController is a deliberately thin reader: it exposes the raw controller grip pose — already statically rebased into the robot base frame — plus the squeeze and trigger analog values. It has no retargeters and no clutch logic of its own. The clutch (engage latch + delta rebasing onto the EE) and the gripper mapping live downstream in the example loop, which then feeds LeRobot’s existing closed‑loop Cartesian IK pipeline — the same one the phone teleoperator uses. The device‑specific pieces are XRController, the loop’s Clutch, and MapXRControllerActionToRobotAction; everything downstream (EEBoundsAndSafety, InverseKinematicsEEToJoints) is shared, and a future device (e.g. Manus gloves) would swap in its own teleop_<device>.py + processor while reusing the rest.

XRController._build_pipeline menghubungkan ControllersSource dari Isaac Teleop — yang direbase secara statis ke frame basis robot oleh ControllerTransform asli (base_T_anchor) — dan mengekspos stream controller yang telah ditransformasikan apa adanya. get_action() membaca pose grip, squeeze, dan trigger langsung darinya; sesi selalu di-step RUNNING (tidak ada clutch retargeter untuk gating).

Kelas Clutch (di examples/isaac_teleop_to_so101/isaac_teleop/clutch.py, yang dijalankan oleh loop di common.py) meniru SO101ClutchRetargeter dari Isaac Teleop, tetapi berada di dalam loop sehingga perangkat dapat tetap menjadi pembaca yang tipis:

Itu mengunci titik awal engage pada tepi engage (frame di mana squeeze pertama kali melewati clutch_threshold) dan melakukan rebase pada posisi maupun orientasi di sekitarnya, sehingga engage tidak membuat lengan berpindah secara instan. Clutch.rebase mengembalikan target frame basis absolut sebagai pasangan (pos, quat), yang kemudian digabungkan oleh loop menjadi ee_pose 7D yang diberikan ke processor.
Pemicu analog menjadi closedness gripper dalam [0, 1] (0 = terbuka, 1 = tertutup), sebanding dengan penarikan pemicu, yang dipetakan oleh MapXRControllerActionToRobotAction ke target rahang.

Lihat Antarmuka Retargeting dan ringkasan arsitektur Isaac Teleop untuk memahami bagaimana node sumber dan retargeter dikomposisikan.

  VR controller (OpenXR)
        │
        ▼
  XRController.get_action()          ── raw base-frame grip_pos / grip_quat + squeeze + trigger
        │                                (TeleopSession always stepped RUNNING; clutch lives downstream)
        ▼
  Clutch.rebase(grip_pos, grip_quat) ── engage-relative delta applied to the EE home (pos + orient)
        │  ee_pose (7) / closedness       → absolute ee_pose; closedness = trigger
        ▼
  MapXRControllerActionToRobotAction ── absolute ee.x/y/z; ee.w* = orientation rotvec target;
        │  ee.x/y/z / ee.w* / ee.gripper_pos   ee.gripper_pos = (1 - closedness) * 100
        ▼
  EEBoundsAndSafety                ── workspace clip + per-frame step clamp (clamp+warn)
        │
        ▼
  InverseKinematicsEEToJoints      ── closed-loop Placo IK; position + soft-orientation
        │  (orientation_weight=0.01)   (passes ee.gripper_pos → gripper.pos)
        ▼
  SO-101 follower joint targets

Klutch: dimiliki oleh loop contoh

Berbeda dengan pipeline telepon (yang membagi clutch di antara MapPhoneActionToRobotAction dan EEReferenceAndDelta), clutch XR sepenuhnya berada di kelas Clutch pada loop contoh. Kelas ini mengeluarkan pose EE absolut, sehingga tidak ada tahap EEReferenceAndDelta dan tidak ada akumulasi delta di dalam prosesor — MapXRControllerActionToRobotAction adalah pemetaan per-frame yang murni dan stateless.

Clutch mengunci titik awal engage pada tepi engage dari squeeze (saat squeeze melewati clutch_threshold) dan menggerakkan EE dari gerakan relatif terhadap titik asal tersebut, sehingga lengan tidak teleportasi saat engage. Pada setiap engage — baik saat startup maupun re-clutch di tengah tugas — posisi home dikunci dari kinematika maju pada sendi terukur lengan, sehingga home sama dengan posisi fisik lengan bahkan jika lengan bergerak saat disengaged, dan engage bebas lompatan. Orientasi home mempertahankan rotasi terakhir yang diperintahkan: lengan 5-DOF hanya melacak orientasi secara lunak, sehingga mengunci orientasi wrist yang terukur akan menyuntikkan offset pelacakannya ke perintah pada setiap re-clutch.

Kontrol

Squeeze / grip — clutch (deadman). Tahan melewati clutch_threshold untuk mengaktifkan teleoperation; lepaskan untuk jeda. Setiap pengaktifan menangkap ulang titik asal, sehingga Anda dapat memposisikan ulang tangan Anda saat jeda dan mengaktifkan kembali tanpa lengan melompat (gaya index/clutch).
Pemicu — cengkeram, dikendalikan secara analog. Rahang mengikuti pemicu secara proporsional — pemicu yang ditekan setengah membuat rahang tertutup setengah — melalui nilai tertutup dalam [0, 1] (0 = terbuka, 1 = tertutup) yang dipetakan ke target sendi cengkeram absolut.
Orientasi controller — pergelangan. Clutch melakukan rebase orientasi controller (relatif terhadap engage, kerangka dasar) menjadi target orientasi IK lunak yang diikuti oleh pergelangan bersamaan dengan posisi. Pada 5-DOF SO-101, pergelangan hanya mengikuti tangan secara parsial sesuai desain — lihat orientation_weight di bawah.

Mulai

Langkah 1: Buat teleoperator

# Run from the repo root so the `examples` package is importable.
from examples.isaac_teleop_to_so101.isaac_teleop import XRController, XRControllerConfig

teleop_config = XRControllerConfig(
    hand_side="right",      # "left" or "right" controller
    clutch_threshold=0.5,   # squeeze value above which the clutch engages
)
teleop_device = XRController(teleop_config)

XRController.get_action() mengembalikan pose pengendali bingkai dasar mentah, bukan target yang telah di-rebase oleh clutch: grip_pos (3,) [x, y, z] [m] dan grip_quat (4,) [qx, qy, qz, qw] dalam bingkai dasar robot, serta nilai analog skalar squeeze dan trigger dalam [0, 1]. Clutch pada loop contoh mengubah nilai-nilai ini menjadi ee_pose absolut, dan squeeze di-threshold oleh loop terhadap clutch_threshold untuk mengaktifkan clutch.

Langkah 2: Hubungkan

Memanggil teleop_device.connect() terlebih dahulu akan secara otomatis meluncurkan runtime CloudXR (kecuali Anda memilih untuk tidak mengaktifkannya — lihat Set up CloudXR and connect a headset; proses ini akan memblokir selama ~30 detik dan pada eksekusi pertama akan meminta persetujuan EULA di stdin), kemudian memulai TeleopSession Isaac Teleop (membuka sesi OpenXR dan mendeteksi controller). Controller XR bersifat self-calibrating, sehingga tidak ada langkah kalibrasi manual — clutch menangani re-centering setiap kali Anda mengaktifkannya. Gunakan connect() bersama try/finally yang memanggil disconnect() agar sesi diakhiri sebelum runtime saat keluar/Ctrl-C.

Langkah 3: Jalankan contoh

Contoh ini mengasumsikan Anda telah mengonfigurasi robot Anda (SO‑101 follower) dan mengatur port serial yang benar.

URDF robot dan mesh-nya diambil secara otomatis pada eksekusi pertama: perangkat XR mengunduh URDF SO-101 dari bucket Hugging Face lerobot/robot-urdfs ke cache LeRobot (HF_LEROBOT_HOME/robot-urdfs/so101/) dan memakainya kembali setelahnya, sehingga tidak ada langkah unduhan terpisah:

python -m examples.isaac_teleop_to_so101.teleoperate --robot.type=so101_follower --robot.port=/dev/ttyACM0 \
    --robot.id=so101_follower_arm --teleop.type=xr_controller

CLI-nya bergaya lerobot-teleoperate (draccus): --robot.* mengonfigurasi pengikut SO-101 dan --teleop.type memilih perangkat input Isaac (xr_controller | so101_leader), dengan --teleop.* sebagai pengaturan perangkatnya. --teleop.type=xr_controller menjalankan jalur XR-controller yang dijelaskan di atas. Kontrak keselamatan saat startup: secara bawaan, semua sendi digeser ke pose reset bawaan selama --reset_duration detik (--reset_to_origin=false menjaga lengan tetap di posisinya), kemudian benih rumah kopling diambil dari pose terukur lengan agar pengaktifan pertama bebas lompatan; pengikut hanya diberi perintah selama kopling aktif.

Menyesuaikan pose reset. Pose reset disertakan sebagai bawaan default (pose mid-range yang nyaman) dan langsung berfungsi — Anda tidak perlu merekam apa pun. Untuk menyesuaikannya dengan setup Anda, gerakkan lengan ke pose yang diinginkan lalu jalankan python -m examples.isaac_teleop_to_so101.override_reset_pose --id <robot.id>; perintah ini menulis sendi saat ini ke file per-lengan di cache LeRobot (HF_LEROBOT_HOME/reset_poses/<robot.name>/<robot.id>.json, dengan kunci seperti kalibrasi), yang kemudian memiliki prioritas lebih tinggi daripada bawaan default pada eksekusi berikutnya. Karena file ini berada di cache lokal pengguna (bukan di repo), override Anda tetap berada di mesin Anda, dan baik teleoperate maupun record akan menghormatinya ketika diluncurkan dengan --robot.id yang sama.

Perangkat lainnya, --teleop.type=so101_leader, mencerminkan pengikut secara 1:1 dari lengan pemimpin SO-101 leader arm yang dapat digerakkan mundur, di mana sendi-sendi di dalamnya dialirkan oleh plugin so101_leader bawaan Isaac Teleop (tanpa kopling, tanpa IK — pemimpin dan pengikut berbagi kinematika SO-101).

Binary so101_leader_plugin adalah plugin C++ yang tidak termasuk dalam paket pip isaacteleop — Anda membangunnya dari pohon sumber Isaac Teleop. Ikuti Membangun Isaac Teleop dari sumber (singkatnya, dari checkout Isaac Teleop Anda: cmake -B build && cmake --build build --parallel && cmake --install build); proses build menginstal plugin di bawah <IsaacTeleop>/install/plugins/, sehingga binary berada di install/plugins/so101_leader/so101_leader_plugin — jalur --launch_plugin di bawah ini. Lihat README.md milik plugin itu sendiri (di sebelah binary) untuk detail serial/kalibrasinya.

Arahkan --teleop.port ke port serial fisik leader dan --launch_plugin ke binari plugin tersebut agar skrip memunculkannya setelah CloudXR siap:

python -m examples.isaac_teleop_to_so101.teleoperate --robot.type=so101_follower --robot.port=/dev/ttyACM0 \
    --robot.id=so101_follower_arm --teleop.type=so101_leader \
    --teleop.port=/dev/ttyACM1 --teleop.id=so101_leader_arm \
    --launch_plugin=/code/Teleop/install/plugins/so101_leader/so101_leader_plugin

(Catatan: so101_leader di sini adalah leader Isaac, yang diresolusi terhadap registri perangkat Isaac Teleop, berbeda dari serial so101_leader milik lerobot-teleoperate.) Ketika --teleop.port diset, kalibrasi tick→radian dari plugin disimpulkan dari --teleop.id dan diteruskan ke plugin sebagai argumen posisional ketiganya — yaitu JSON format LeRobot di HF_LEROBOT_CALIBRATION/teleoperators/so_leader/<id>.json, file yang sama yang digunakan oleh leader SO-101 serial (lerobot-calibrate --teleop.type=so101_leader --teleop.id=<id>). Jika file tersebut tidak ada, skrip akan memberikan peringatan dan plugin menggunakan nilai bawaan. Jalankan python -m examples.isaac_teleop_to_so101.teleoperate --help untuk melihat semua flag. Kontrak keselamatan saat startup-nya: secara default, follower digeser ke pembacaan pertama leader selama --align_duration detik (--align=false untuk dilewati) agar lengan tidak bergerak mendadak saat mirror dimulai, dan selama stream leader tidak aktif, follower ditahan pada pose terukurnya.

Pengambilan URDF menggunakan huggingface_hub (yang sudah menjadi dependensi LeRobot) terhadap bucket publik lerobot/robot-urdfs, sehingga tidak memerlukan login. Hasilnya di-cache di bawah HF_LEROBOT_HOME/robot-urdfs/so101/; hapus folder tersebut untuk memaksa unduhan ulang.

Lalu, di headset Anda: jepit dan tahan grip untuk mengaktifkan, gerakkan controller untuk menggerakkan lengan, putar/miringkan untuk mengarahkan pergelangan, dan tekan trigger untuk menutup gripper (secara proporsional — lepaskan untuk membuka).

Untuk merekam dataset (bukan hanya teleoperasi), gunakan record.py di folder yang sama. Skrip ini mendispatch berdasarkan --teleop.type (xr_controller | so101_leader) persis seperti teleoperate.py, sehingga perangkat mana pun dapat menggerakkan follower, dan menyimpan sendi yang diperintahkan ke dataset LeRobot (flag --dataset.* bergaya lerobot-record). Lihat docstring modulnya untuk CLI lengkap dan pintasan keyboard untuk perekaman.

Langkah dan opsi pipeline penting

Clutch sudah menghasilkan pose base-frame absolut, sehingga sisi processor adalah jalur pose-absolut yang tipis — tidak ada pemetaan ulang frame, tidak ada akumulasi delta, dan tidak ada tahap EEReferenceAndDelta.

MapXRControllerActionToRobotAction adalah pemetaan per-frame tanpa status dari output perangkat ke kontrak input IK. Ia menulis posisi absolut frame dasar, mengkodekan orientasi absolut sebagai target rotvec, dan membalikkan closedness menjadi target gripper motor:
```
action["ee.x"], action["ee.y"], action["ee.z"] = ee_pose[:3]   # absolute, base frame [m]
action["ee.wx"], action["ee.wy"], action["ee.wz"] = orient_rotvec  # orientation target (rotvec)
action["ee.gripper_pos"] = (1 - closedness) * 100   # motor units; SO-101 calibrates 100 = open
```
Polaritas gripper (100 = open, 0 = closed) adalah konvensi kalibrasi perangkat keras di sumber — balikkan di sana jika rahang terbuka saat seharusnya tertutup.
EEBoundsAndSafety membatasi EE ke dalam area kerja dan membatasi laju lompatan per frame. Fitur no-teleport pada clutch menjaga agar frame tetap kecil, sehingga max_ee_step_m terutama menangkap gangguan pelacakan pengendali yang bersifat sementara. Lantai z adalah 0.0 (bidang meja) sehingga target yang tersesat tidak dapat mendorong EE di bawah meja; x/y tetap berada di kotak longgar [-1, 1] m. Atur raise_on_jump=False sehingga frame yang melebihi batas akan dibatasi dan diberi peringatan alih-alih memicu error — crash di tengah loop akan meninggalkan lengan dalam keadaan tidak terkendali:
```
EEBoundsAndSafety(
    end_effector_bounds={"min": [-1.0, -1.0, 0.0], "max": [1.0, 1.0, 1.0]},
    max_ee_step_m=0.10,
    raise_on_jump=False,
)
```
InverseKinematicsEEToJoints(initial_guess_current_joints=False, orientation_weight=0.01) menyelesaikan IK Placo closed‑loop. SO‑101 adalah lengan 5‑DOF, sehingga IK bersifat dominan posisi; orientation_weight yang kecil memungkinkannya melacak target orientasi yang dibawa dalam ee.w* secara lembut agar pergelangan mengikuti tangan, sementara roll yang under‑determined tetap parsial sesuai desain. Tidak ada node GripperVelocityToJoint: nilai absolut ee.gripper_pos diteruskan langsung ke gripper.pos. initial_guess_current_joints=False melakukan warm‑start setiap penyelesaian dari solusi IK sebelumnya alih‑alih menanam ulang dari sendi yang diukur, sehingga trajektori sendi tetap kontinu antar‑frame. Sesuaikan orientation_weight pada perangkat keras — terlalu tinggi akan mengganggu pelacakan posisi, terlalu rendah akan mengabaikan perintah orientasi.

Contoh ini juga mengunci keamanan pada level loop: setelah slew reset startup (aktif secara default — lalu --reset_to_origin=false untuk menjaga lengan tetap di posisinya), robot diperintahkan hanya saat clutch terhubung, dan persendian yang diukur dikirim ulang saat clutch dilepas, sehingga melepas clutch akan membekukan lengan di tempatnya.

Lihat panduan Processors for Robots and Teleoperators untuk informasi lebih lanjut tentang menyesuaikan pipeline ke robot lain.

Pemecahan Masalah

ModuleNotFoundError: isaacteleop — paket isaacteleop tidak terinstal di lingkungan aktif. Jalankan ulang perintah instalasi di bagian atas panduan ini: uv pip install "isaacteleop[cloudxr,retargeters-lite]~=1.3.131".
Tidak ada controller yang ditemukan — pastikan runtime CloudXR sedang berjalan, port firewall sudah di-whitelist, dan headset terhubung (lihat Set up CloudXR and connect a headset dan Quick Start Isaac Teleop).
Gagal auto-launch CloudXR — connect() akan melempar RuntimeError jika runtime tidak berjalan dalam batas waktu startup. Periksa log launcher di ~/.cloudxr/logs. Penyebab umum: EULA belum pernah diterima (jalankan python -m isaacteleop.cloudxr --accept-eula sekali, secara interaktif — auto-launch meminta input di stdin dan akan menggantung jika headless), atau runtime sudah berjalan secara eksternal (setel LEROBOT_CLOUDXR_SKIP_AUTOLAUNCH=1 atau auto_launch_cloudxr=False untuk melewati auto-launch).
Lengan tidak bergerak — kopling bersifat deadman: Anda harus menahan jepit/genggaman melewati clutch_threshold. Turunkan ambang batasnya jika jepit pada kontroler Anda dilaporkan secara lemah.
Motion terasa tidak selaras — pastikan orientasi headset/ruang bermain. Aliran controller di-rebase ke dalam kerangka dasar robot oleh transformasi base_T_anchor pada XRControllerConfig (default: konvensi sumbu OpenXR standar → robot); sesuaikan jika kerangka anchor Anda berbeda.

Pelajari lebih lanjut

Dokumentasi NVIDIA Isaac Teleop (beranda dokumen, GitHub):

Pemulaan Cepat — instal, jalankan server CloudXR, sambungkan headset, jalankan contoh teleop.
TeleopSession — API sesi yang dibungkus oleh XRController.
Antarmuka retargeting dan ringkasan arsitektur — bagaimana node sumber dan retargeter disusun menjadi pipeline.
Membangun dari sumber — bangun isaacteleop (dan plugin C++-nya, termasuk plugin so101_leader yang digunakan di atas) dari checkout lokal.
Perangkat Keras yang Dibutuhkan dan dokumentasi CloudXR SDK — platform yang didukung, GPU, versi runtime CloudXR/OpenXR, dan headset.

Update on GitHub

←Telepon Kamera→