L01 · 导论、运行平台与环境诊断

硬件约定：本讲以及 L01–L07 的最小实验可以使用 CPU 完成。AMD ROCm GPU 是 后续数据生成、策略训练和闭环评估的参考路径，但不是 L01 的必需条件。

一张图看懂课程主线

RoboGenesis 101 围绕一条完整的机器人学习工作流展开：

Genesis 仿真 → 机器人控制与 IK → 脚本化演示
             → LeRobot 数据集 → ACT/SmolVLA 训练
             → 闭环评估

完成课程后，你将理解 Franka 机械臂如何在仿真中学习水果抓取任务。课程按依赖顺序 展开：

• L01–L07 学习环境、仿真、控制、相机、并行环境和抓取场景；
• L08–L11 生成演示、整理训练数据，并改变训练分布；
• L12–L13 训练策略，再通过闭环 rollout 检验任务结果。

训练 loss 或看起来合理的开环动作并不等于任务成功。最终证据来自把策略真正放回 仿真器，并根据明确标准衡量任务结果。

今天只需要完成什么

L01 的任务刻意保持简单。完成本讲后，你只需要能够：

1. 在课程地图中找到从仿真到闭环评估的各个阶段；
2. 从头运行环境 notebook，并认出 Python、Genesis、PyTorch 和实际选择的计算后端；
3. 确认 Genesis 能构建并推进一个最小场景，然后进入 L02。

你不需要学习一套环境诊断框架。这个 notebook 只是开课前的简短检查，不是课程主题。

打开 notebook 之前

环境安装属于课前准备。在仓库根目录安装基础环境，并使用同一个解释器启动 Jupyter：

uv sync --locked
uv run jupyter lab

然后打开 notebooks/zh/l01-introduction-and-environment-diagnostics.ipynb，确认 kernel 选择的是项目 .venv，再执行一次 Run All。

可移植 lockfile 本身不会自动选择经过验证的 AMD PyTorch 构建。如果你在准备完整 AMD 训练环境，请按照兼容性矩阵 中的 wheel 和校验和说明安装。

CPU 和 AMD 在本讲都有效

当 notebook 同时看到 ROCm PyTorch 和 AMD GPU 时，会自动优先使用已验证的 AMD backend；否则使用 Genesis CPU，并明确打印这个选择。

PyTorch 的 ROCm 构建复用了 torch.cuda API，所以本课程中的 cuda:0 可能指 AMD GPU。可以通过下面两个字段区分：

torch.version.hip       # ROCm 构建中有值
torch.version.cuda      # 已验证的 ROCm 构建中为 None

没有可见 GPU 并不代表 L01 失败。CPU 学习者可以继续完成 L01–L07 的最小路径；后续 完整训练课程会单独说明更高的硬件要求。

运行环境自检

notebook 只有四个简短的可执行阶段：

阶段	应当看到什么
环境摘要	当前 kernel 的 Python、Genesis、PyTorch、HIP 和设备信息
后端与 tensor	ROCm 路径可用时为 amdgpu，否则为 cpu；一个最小 tensor 结果
Genesis smoke	平面和球体成功 build；step 后球体高度下降
最终总结	ENVIRONMENT CHECK: PASSED、实际后端和下一讲提示

notebook 会直接展示这段最小场景代码，但 L01 不展开解释每个 Genesis 对象。L02 会 详细介绍 Scene、Entity、build() 和 step()。这里的场景只用于证明当前环境能够 执行真实工作，而不只是成功 import 一个包。

notebook 还会把一份简短结果写到 outputs/l01/env_report.json。需要排错时，可以把它 和报错信息一起发给助教；无需打开或修改报告内容。

哪些是必需结果，哪些只是预告

结果	在 L01 中的含义
Python 3.12、PyTorch 和 Genesis 1.3.3 正常	继续学习前必须满足
选中设备上的 tensor 运算成功	继续学习前必须满足
最小场景成功 build、step，得到有限且发生变化的状态	继续学习前必须满足
AMD GPU 与 HIP 可见	参考平台的有用确认；允许 CPU fallback
LeRobot 0.6.0 已安装	后续训练环境的提前提示；L01–L07 不要求
相机渲染、YCB 资产和策略训练正常	本讲不检查；后续首次使用时再验证

快速排错

现象	下一步
Notebook 使用了错误的 Python	选择仓库 .venv kernel，然后重启。
torch 或 genesis 无法 import	在仓库根目录运行 uv sync --locked，然后重启 kernel。
有 AMD 硬件但 notebook 选择了 CPU	检查指定 ROCm wheels、torch.version.hip、设备权限和 ROCR_VISIBLE_DEVICES。
第一次 scene build 看起来很慢	等待 Genesis 首次编译 kernel；这个 smoke 不是性能基准。
再次运行时在 gs.init() 后失败	重启 kernel，再从顶部执行一次 Run All。

如果最后一行显示 PASSED，就可以继续 L02。如果必需 cell 因异常停止，应先按该 cell 给出的具体信息修复。GPU 或 LeRobot 的可选提示不阻塞 CPU 基础路径。

检查点与下一讲

离开 L01 前，确认自己能回答：

• 这个 notebook 实际选择了哪个 backend？
• tensor 运算和球体状态变化是否都成功？
• 如果当前使用 CPU，课程的哪个阶段最终需要 GPU？

L02 会拆开这个最小 smoke 场景，解释仿真生命周期：声明实体、调用 build()、推进世界、 读取状态，以及按需渲染图像。

资料来源

• Genesis 文档：安装与后端初始化。
• PyTorch HIP 语义：ROCm 为什么复用 torch.cuda 接口。
• 项目兼容性矩阵：已验证版本与 AMD 平台证据。