NVIDIA Isaac™ Lab 多 GPU 多节点训练指南

发表于： 2025年9月19日 2025年9月19日
分类：未分类

NVIDIA Isaac™ Lab 是一个适用于机器人学习的开源统一框架，基于 NVIDIA Isaac Sim™ 开发，其模块化高保真仿真适用于各种训练环境，可提供各种物理 AI 功能和由 GPU 驱动的物理仿真，缩小仿真与现实世界之间的差距。

抽奖福利放送：

Isaac Lab 主要通过 NVIDIA GPU 加速高度逼真的物理模拟、实时渲染、深度强化学习（RL）模仿学习（IL）集成等先进技术，然而对于复杂的强化学习环境，可能需要在多个 GPU 上扩大训练规模。Isaac Lab 支持多 GPU 和多节点功能，与在单个 GPU 上进行训练相比，可以更快地加速训练过程并达到更高的性能水平。

在之前的机器人仿真教程里，我们分别介绍了 Isaac Lab 的安装教程以及 Isaac Lab 的可用环境与强化学习脚本使用指南，本篇教程将带大家了解如何通过多 GPU 和多节点进行扩展训练。

机器人仿真教程丨Isaac Sim 4.5.0 与 lsaac Lab 2.0 安装指南31 赞同 · 1 评论文章

机器人仿真教程丨Isaac Lab 可用环境与强化学习脚本使用指南2 赞同 · 0 评论文章

核心要点

Isaac Lab 支持多 GPU 和多节点强化学习。但是此功能目前仅可用于 RL-Games、RSL-RL 和 skrl 库。多 GPU 和多节点训练仅支持 Linux 系统，因 NCCL 库限制，暂不支持 Windows 系统。

一、多 GPU

Isaac Lab 支持以下两种多 GPU 训练框架。

1. 通过 PyTorch Torchrun 进行分布式训练

Torchrun 通过以下方式管理分布式训练：

进程管理：为每个 GPU 创建一个独立进程，并将每个进程分配至指定的 GPU。
脚本执行：在每个进程上运行相同的训练脚本（例如 RL Games）。
环境实例：每个进程都会创建独立的 Isaac Lab 环境实例。
梯度同步：收集并同步所有进程的梯度，在每个训练步骤结束后将更新后的梯度广播回各进程。

此流程中的关键组件是：

Torchrun：处理进程生成、通信和梯度同步。
RL 库：运行实际训练算法的强化学习库。
Isaac Lab：提供每个进程独立实例化的模拟环境。

Torchrun 在底层使用 DistributedDataParallel 模块来管理分布式训练。当使用多个 GPU 进行训练时，会发生以下情况：

每个 GPU 运行一个独立的进程
每个进程执行完整的训练脚本
每个进程都独立拥有：
① Isaac Lab 环境实例（含 n 个并行环境）
② 策略网络副本
③ 用于收集训练经验的缓冲区
所有进程仅针对梯度更新进行同步

2. 通过 JAX 进行分布式训练

在使用 JAX 时，我们借助 skrl.utils.distributed.jax 模块来实现分布式训练。由于 JAX 等机器学习框架通常不会在单个程序调用中自动启动多个进程，因此 skrl 库提供了该模块，用于负责进程的启动与管理。

*注：仅 skrl 库支持 JAX。

二、多节点

除了将训练规模扩展到单台机器上的多个 GPU 之外，还可以跨多个节点进行训练。要跨多个节点/机器进行训练，需要在每个节点上启动单独的进程。

运行训练

接下来，我们来演示下多 GPU 多节点训练操作步骤。本期教程以 NVIDIA RTX™ 5880 Ada GPU 为底层硬件支持。

一、训练环境

1. CUDA 安装：

1.1 使用 nvidia-smi 查看当前驱动支持的最高 cuda 版本。如下图所示，可以看到当前显示最高版本为 CUDA Version：12.8。

1.2 访问官网，下载并安装 CUDA 12.8 及以下版本。

https://developer.nvidia.com/cuda-toolkit-archivedeveloper.nvidia.com/cuda-toolkit-archive

根据提示，选择对应系统版本，获取 CUDA 工具包安装程序下载链接以及安装方式。

1.3 运行以下命令：

 sudo sh cuda_12.8.0_570.86.10_linux.run

CUDA 安装

2. Pytorch 安装

2.1 访问 Pytorch 官网，根据提示选择对应系统、CUDA 版本等下载安装即可。

https://pytorch.org/pytorch.org/

2.2 如果提示没有 pip，按照要求 apt 安装。

2.3 执行 pip3 install torch torchvision。

2.4 安装完成后，查看 pytorch 版本。

二、运行结果（多节点训练）

1. 在窗口中再次确认环境变量

export ISAACSIM_PATH="${HOME}/isaacsim"
export ISAACSIM_PYTHON_EXE="${ISAACSIM_PATH}/python.sh"

2. 节点运行

在节点 1 运行：

${ISAACSIM_PYTHON_EXE} -m torch.distributed.run --nproc_per_node=1 --nnodes=2 --node_rank=0 --rdzv_id=123 --rdzv_backend=c10d --rdzv_endpoint=192.168.150.161:5555 scripts/reinforcement_learning/rl_games/train.py --task=Isaac-Cartpole-v0 --headless –distributed

在节点 2 运行：

${ISAACSIM_PYTHON_EXE} -m torch.distributed.run --nproc_per_node=1 --nnodes=2 --node_rank=1 --rdzv_id=123 --rdzv_backend=c10d --rdzv_endpoint=192.168.150.161:5555 scripts/reinforcement_learning/rl_games/train.py --task=Isaac-Cartpole-v0 --headless –distributed

注意，需要调整的参数主要是：

–nproc_per_node

每个节点（机器）上启动的进程数，通常设置为该节点的 GPU 数量。例如，若单机有 8 块 GPU，–nproc_per_node=8。

–nnodes

参与训练的物理节点总数。例如，–nnodes=4 表示使用 4 台机器组成集群进行训练。

–rdzv_endpoint

主节点的 IP 地址和端口号，格式为 host:port。所有节点通过此端点进行通信协调，例如–rdzv_endpoint=192.168.1.100:29500。

*如需了解详细步骤，可参考官方文档：

https://isaac-sim.github.io/IsaacLab/main/source/features/multi_gpu.htmlisaac-sim.github.io/IsaacLab/main/source/features/multi_gpu.html

运行结果