cuRobo 是 NVIDIA Research 开源的 CUDA 加速机器人运动生成库，底层建立在 PyTorch、CUDA 和 NVIDIA Warp 之上。
它提供的主要能力包括：
正运动学（Forward Kinematics，FK）
逆运动学（Inverse Kinematics，IK）
环境碰撞与机器人自碰撞检测
轨迹优化
几何路径规划
模型预测控制（MPC）
从深度图构建 TSDF/ESDF 距离场
高自由度机器人和人形机器人的全身运动计算
cuRobo 不是机器人驱动，也不是完整的机器人操作系统。它更像一个高性能的“运动计算后端”。因此，cuRobo 解决的不是“机器人要完成什么任务”，而是：已知机器人当前状态和任务目标，机器人应该以什么关节姿态、沿什么运动过程完成目标。
核心参考资料：https://curobo.org/reports/curobo_report.pdf
api：https://curobo.org/get_started/7_api.html
技术报告：https://curobo.org/research/research.html-page
源代码：https://github.com/nvlabs/curobo
本篇技术博客由Mbot实验室成员dangyang11分享
判断一个抓取姿态能不能用：抓取网络可能一次输出 100 个抓取姿态。这些姿态中，有些超出机械臂工作空间，有些会导致夹爪撞到桌子，还有些虽然末端能够到达，但机械臂自身会发生碰撞。这时可以使用批量 IK用GPU算出可行的IK
生成一条无碰撞轨迹
连续跟踪变化的目标：如果目标一直在移动，例如，遥操作时拖动末端目标、相机持续跟踪传送带工件、障碍物位置不断变化，可以使用 Differential IK 或 MPC，让机械臂持续更新动作。
0.2 cuRobo 中最常见的四类问题
问题
输入
输出
常用 API
机器人现在在哪里？
关节状态
各连杆和末端位姿
Kinematics
末端要到这里，关节怎么转？
目标末端位姿
一组或多组关节解
InverseKinematics
怎样完整地移动过去？
当前状态、目标、场景
无碰撞关节轨迹
MotionPlanner
目标变化时下一步怎样动？
当前状态、动态目标
短时域动作序列
ModelPredictiveControl
0.3 cuRobo 的核心原理 0.3.1 先把机器人表示成计算模型
它需要明确知道：
机器人有哪些连杆；
连杆之间通过哪些关节连接；
每个关节的旋转轴是什么；
每个关节的上下限是多少；
哪个连杆是末端工具坐标系；
机器人各部分的碰撞几何是什么。
URDF 能提供运动学树、关节和网格信息，但 cuRobo 还需要适合 GPU 碰撞检测的数据，例如碰撞球和自碰撞忽略关系。
最终，后续算法使用的通常是一个 cuRobo YAML 配置：
URDF + 网格文件
│
▼
RobotBuilder
│
├── 运动学树
├── 工具坐标系
├── 关节限制
├── 连杆碰撞球
└── 自碰撞忽略关系
│
▼
robot.yml
机器人的三维网格很复杂，直接反复计算网格与网格之间的碰撞代价较高。
cuRobo 会使用一组球体近似机器人各连杆：
复杂连杆网格 → 多个碰撞球
球与球、球与长方体、球与距离场之间的距离更容易计算，而且大量距离查询可以放到 GPU 上并行执行。
0.3.3 GPU 加速
GPU 并不是让一条普通 Python 语句自动变快。
cuRobo 的优势来自任务本身存在大量并行结构，例如：
同时计算 1000 组正运动学；
同时尝试 32 个 IK 初始种子；
同时检查大量碰撞球；
同时评估多条轨迹种子；
并行执行优化器的多个候选步长。
传统串行思路可能是：
方案 1 → 失败
方案 2 → 失败
方案 3 → 成功
cuRobo 更倾向于：
方案 1、2、3……同时计算 → 选择成功方案
所以 cuRobo 最适合的不是只做一次简单计算，而是：
批量目标；
多种子优化；
大量碰撞查询；
轨迹中多个时间点的并行评估。
unsetunset1. 安装unsetunset
# 步骤1：克隆 cuRobo
git clone https://github.com/NVlabs/curobo && cd curobo
# 步骤2：创建虚拟环境
export UV_PYTHON_INSTALL_MIRROR=https://registry.npmmirror.com/-/binary/python-build-standalone npmmirror 国内镜像
uv venv --python 3.11
source .venv/bin/activate
# 步骤3：安装cuRobo
nvidia-smi | grep CUDA
13.x:
uv pip install -e ".[cu13-torch,dev]" # 包含PyTorch的完整版本
12.x:
uv pip install -e ".[cu12-torch,dev]" # 包含PyTorch的完整版本
：测试安装
python -c "import curobo; print(curobo.__version__)"
env -u PYTHONPATH PYTEST_DISABLE_PLUGIN_AUTOLOAD=1 \
python -m pytest --pyargs curobo.tests
正运动学解决的问题是：已知机器人的关节角，末端执行器现在在哪里？
这是理解机器人模型是否正确的第一步。URDF 中的关节方向、坐标轴、工具坐标系只要有一处错误，后面的 IK 和运动规划都会受到影响。
cuRobo在GPU上利用自动微分计算正向运动学。正向运动学 (FK) 将关节角度向量映射到运动链中每个连杆的 6 自由度位姿。cuRobo 使用并行指数乘法公式在 GPU 上完全计算 FK，并且每个运算都可通过 PyTorch 自动微分进行微分。这意味着 FK 可以作为构建模块，应用于更大的优化循环（例如 IK、运动规划、MPC）中，并且梯度可以以零额外成本返回到关节角度。
python -m curobo.examples.getting_started.forward_kinematics
程序首先加载 cuRobo 自带的 Franka Panda 机器人模型，然后分别演示单组关节状态、批量关节状态和带梯度的正运动学计算。官方示例中，单次计算使用的是一组全零关节角。
输出通常包含：
Robot has 7 degrees of freedom
Tool frames: ['panda_hand']
Single FK:
EE position: tensor([[ 8.8000e-02, -7.1490e-13, 9.2600e-01]], device='cuda:0')
EE quaternion (wxyz): tensor([[ 4.5239e-12, 9.2388e-01, 3.8268e-01, -1.8738e-12]], device='cuda:0')
Batched FK (1000 configs): 0.84 ms
EE positions shape: torch.Size([1000, 1, 1, 3])Differentiable FK:
Gradient w.r.t. joints: tensor([[-7.1490e-13, -5.6361e-01, 5.6009e-13, 2.3293e-01, -9.8927e-13,
-1.3192e-02, 6.8164e-20]], device='cuda:0')
正运动学在实际项目中常用于：
验证机器人模型；
根据编码器关节角计算末端位置；
检查规划轨迹中的末端运动；
为 IK 和控制器提供初始状态。
2.1 单次正运动学
7 degrees of freedom 表示当前加载的机械臂有 7 个可运动关节，也就是 Franka Panda 机械臂本体的 7 个自由度。
Tool frames: ['panda_hand'] 表示机器人配置中定义的工具坐标系是 panda_hand。后续输出的末端位置和姿态，都是针对这个坐标系计算的。
EE 是 End Effector，也就是末端执行器。这个位置可以写成：
x = 0.088 m
y ≈ 0 m
z = 0.926 m
也就是说，在当前零关节角状态下，panda_hand 位于机器人基坐标系前方约 8.8 厘米、高约 92.6 厘米的位置。
EE quaternion (wxyz):
tensor([[ 4.5239e-12, 9.2388e-01, 3.8268e-01, -1.8738e-12]])
这是末端姿态的四元数表示。接入 ROS、SciPy 或其他机器人库时，必须确认四元数顺序，否则末端姿态可能完全错误。官方示例也是从计算结果中读取工具坐标系的位置和 wxyz 四元数。
2.2 批量正运动学
Batched FK (1000 configs): 0.84 ms
EE positions shape: torch.Size([1000, 1, 1, 3])
这一部分不再只计算一组关节角，而是随机生成了 1000 组关节配置，并在 GPU 上一次性完成正运动学计算。官方代码使用 CUDA Event 测量这次批量计算的时间(0.84ms)。
张量形状：
[1000, 1, 1, 3]
可以重点看两个维度：
1000：一共有 1000 组机器人关节状态；
最后的 3：每一个末端位置都包含 x、y、z 三个坐标。
中间两个长度为 1 的维度来自当前版本对批次和工具坐标系的组织方式。这个示例只有一个工具坐标系，因此这些维度都是 1。官方教程想表达的核心是：输入形状为一批关节角，输出则是一批对应的末端位置和姿态。
这类批量计算很适合：
大规模工作空间分析；
判断大量关节状态对应的末端位置；
同时评估多条候选轨迹；
为优化器计算多个候选解。
2.3 可微分正运动学
Differentiable FK:
Gradient w.r.t. joints:
tensor([[-7.1490e-13, -5.6361e-01, 5.6009e-13,
2.3293e-01, -9.8927e-13, -1.3192e-02,
6.8164e-20]])
示例先设置了一个目标位置：
target_pos = [0.5, 0.0, 0.5]
然后计算当前末端位置与目标位置之间的平方误差：
loss = torch.sum((ee_pos - target_pos) ** 2)
最后调用：
loss.backward()
由 PyTorch 自动计算损失函数相对于 7 个关节角的梯度。
输出中的 7 个数字，分别对应机械臂的 7 个关节。
例如第二个关节的梯度是-0.56361，说明在当前姿态附近，第二个关节对末端位置误差的影响比较明显；第四个关节的梯度是0.23293，它同样会明显影响当前目标误差；接近 0 的梯度则说明，在当前关节状态和当前损失函数下，该关节的小幅变化对误差影响较小。
优化算法可以根据这些梯度不断调整关节角，使末端逐渐接近目标。cuRobo 的优化式 IK、轨迹优化和 MPC，都建立在类似的可微分计算基础上。官方示例也明确将可微分 FK 视为后续优化模块的基础。
unsetunset3. 逆运动学unsetunset
正运动学是“关节角推末端位姿”，逆运动学正好相反：已知末端应该到达的位置和姿态，求机器人关节角。
运行官方 IK 教程：
python -m curobo.examples.getting_started.inverse_kinematics
教程会依次演示三种情况：
单个目标 IK；
100 个目标的批量 IK；
考虑环境和自碰撞的 IK。
成功后会看到类似输出：
=== Single IK ===
IK solved!
Joint angles: tensor([[[ 2.2254, -0.1998, -2.3231, -2.7024, 2.6837, 0.3339, 0.4574,
0.0400, 0.0400]]], device='cuda:0')
Position error: 0.000 mm
=== Batched IK (100 poses) ===
Solved 93/100 poses (93% success)
Mean position error: 0.055 mm
Max position error: 4.389 mm
=== Collision-Free IK ===
Single collision-free IK solved!
Position error: 0.000 mm
After adding obstacle -- still solved!
Position error: 0.000 mmBatched collision-free IK: 50/50 solved
cuRobo 的 IK 会同时运行多组初始种子，而不是只从一个初始关节角开始求解。官方示例默认使用 32 个种子；批量模式则可以一次提交多组目标位姿，让 GPU 同时计算。
3.1 单目标IK
运行：
python -m curobo.examples.getting_started.inverse_kinematics \
--mode single
对应源码中的函数：
def single_ik_example():
"""Solve IK for a single target pose.
Returns:
True if IK succeeded.
"""
config = InverseKinematicsCfg.create(
robot="franka.yml",
num_seeds=32,
)
ik = InverseKinematics(config)
target_link = ik.tool_frames[0]
goal_pose = Pose(
position=torch.tensor([[0.4, 0.0, 0.4]], device="cuda", dtype=torch.float32),
quaternion=torch.tensor([[1.0, 0.0, 0.0, 0.0]], device="cuda", dtype=torch.float32),
)
result = ik.solve_pose(GoalToolPose.from_poses({target_link: goal_pose}, num_goalset=1))if result.success.item():
print("IK solved!")
print(f" Joint angles: {result.js_solution.position}")
print(f" Position error: {result.position_error.item() * 1000:.3f} mm")
return True
else:
print("IK failed -- target may be unreachable")
return False
完整流程可拆成五步：
3.1.1 第一步：创建 IK 配置
config = InverseKinematicsCfg.create(
robot="franka.yml",
num_seeds=32,
)
这里加载 Franka 模型，franka.yml 中保存了机器人运动学结构、关节名称、关节限制、工具坐标系和碰撞模型等信息。
同时，IK 是一个非线性问题，同一个末端目标可能对应多个关节解，也可能因为初始值不好而求解失败。因此，cuRobo 不只尝试一个初始关节状态，而是同时使用 32 个初始种子进行优化，然后从中选择较好的结果。官方教程明确说明，单目标 IK 会运行 32 个并行优化种子。并使用 32 个并行种子。
3.1.2 第二步：创建求解器
ik = InverseKinematics(config)
这一步根据刚才的配置创建真正的 IK 求解器。
创建完成后，ik 中已经包含：
Franka 的运动学模型；
默认关节状态；
工具坐标系；
IK 优化器；
相关 GPU 缓存。
接着源码执行：
target_link = ik.tool_frames[0]
tool_frames 表示机器人配置中定义的工具坐标系。
Franka 示例里，第一个工具坐标系通常是panda_hand.因此，这一行的意思是：接下来要求解的是 panda_hand 这个坐标系的目标位姿。以后换成自己的机器人时，工具坐标系名称取决于机器人配置文件。
3.1.3 第三步：定义目标位姿
goal_pose = Pose(
position=torch.tensor(
[[0.4, 0.0, 0.4]],
device="cuda",
dtype=torch.float32,
),
quaternion=torch.tensor(
[[1.0, 0.0, 0.0, 0.0]],
device="cuda",
dtype=torch.float32,
),
)
一个完整的末端目标由两部分组成,即位置（position）和姿态（quaternion）
这里定义目标位置和 wxyz 四元数姿态。表示目标点位于机器人基坐标系下x = 0.4 m y = 0.0 m z = 0.4 m的地方，四元数（w=1，x=0,y=0,z=0）表示不需要额外旋转。
3.1.4 第四步：把目标交给求解器
result = ik.solve_pose( # 求解器执行逆运动学计算
GoalToolPose.from_poses( # 把普通的Pose转换成IK求解器需要的目标格式
{target_link: goal_pose}, # 字典，表示希望panda_hand达到这个位置和姿态
num_goalset=1,
)
)
调用求解器solve_pose。求解器运行 32 个并行优化种子，并返回最佳解。
3.1.5第五步：读取结果
result.success # 表示IK是否找到了满足条件的关节解
result.js_solution.position # 求出关节位置
result.position_error # 最终末端位置与目标位置之间的误差
读取是否成功、关节角和位置误差。
3.2 批量IK
运行：
python -m curobo.examples.getting_started.inverse_kinematics \
--mode batch
单目标 IK 一次只处理一个目标。，而这一部分创建 100 个目标，X 坐标从 0.2 米变化到 0.8 米，Y 固定为 0，Z 固定为 0.4 米，cuRobo 让 GPU 批量处理同时求解。
def batched_ik_example():
"""Solve IK for a batch of target poses.
Returns:
True if at least one pose was solved.
"""
n_poses = 100
config = InverseKinematicsCfg.create(
robot="franka.yml",
num_seeds=32,
max_batch_size=n_poses,
)
ik = InverseKinematics(config)
target_link = ik.tool_frames[0]
positions = torch.zeros(n_poses, 3, device="cuda", dtype=torch.float32) ，形状为[100.3]，也就是100个目标，每个目标3个位置坐标
positions[:, 0] = torch.linspace(0.2, 0.8, n_poses) 坐标从 0.2 米逐渐变化到 0.8 米
positions[:, 1] = 0.0 # 设置Y 坐标全部为 0
positions[:, 2] = 0.4 # 设置Z 坐标全部为 0.4 米
quaternions = torch.zeros(n_poses, 4, device="cuda", dtype=torch.float32) # 姿态张量形状[100,4]
quaternions[:, 0] = 1.0 # 将每个目标的四元数都设为：[1,0,0,0]
goal_poses = Pose(position=positions, quaternion=quaternions)
result = ik.solve_pose(GoalToolPose.from_poses({target_link: goal_poses}, num_goalset=1))
n_success = result.success.sum().item() # 将目标是否成功的布尔值相加即可得到成功数量
print(f"Solved {n_success}/{n_poses} poses ({100 * n_success / n_poses:.0f}% success)")successful = result.success.squeeze() # 选出成功目标
if n_success > 0:
pos_errors = result.position_error[successful] # 统计成功结果的位置误差
print(f"Mean position error: {pos_errors.mean().item() * 1000:.3f} mm")
print(f"Max position error: {pos_errors.max().item() * 1000:.3f} mm")
return n_success > 0
含义是：
X 坐标从 0.2 米逐渐变化到 0.8 米；
Y 坐标全部为 0；
Z 坐标全部为 0.4 米。
所以这些目标形成一条直线。且100个目标的位置不同，但末端方向相同。
批量目标适合可达性分析和抓取姿态评估。
3.3 碰撞感知IK
运行：
python -m curobo.examples.getting_started.inverse_kinematics \
--mode collision_free
普通 IK 只关心：末端能不能到达目标？碰撞感知 IK 还要关心：到达目标时，机器人有没有撞到环境或撞到自己？
配置中增加了：
config = InverseKinematicsCfg.create(
robot="franka.yml",
scene_model="collision_table.yml", # 加载包含桌子等障碍物的场景配置。求解时，目标关节状态不仅要满足末端位姿，还必须避免机器人碰到这些障碍物。
num_seeds=32,
self_collision_check=True, # 启用机器人自碰撞检查。
)
一个负责加载环境障碍物，一个负责启用机器人自碰撞检查。在创建求解器配置时传递scene_model。self_collision_check=True 优化器会添加碰撞代价项，以确保每个机器人连杆球面都避开障碍物和其他连杆。
教程还创建了一个新的长方体：
new_obstacle = Cuboid(
name="box_1",
pose=[0.5, 0.0, 0.3, 1, 0, 0, 0],
dims=[0.1, 0.3, 0.2],
)
其中，
pose 前三个数：障碍物位置
pose 后四个数：wxyz 四元数
dims：长、宽、高
所以这个障碍物中心位于（0.5m，0，0.3m），尺寸为 0.1 × 0.3 × 0.2 m
然后通过：
ik2.update_world(Scene(cuboid=[new_obstacle]))
把新障碍物加入当前场景。
这说明场景变化时，不一定要重新创建整个 IK 求解流程，可以调用 update_world() 更新障碍物。官方教程把运行时场景更新列为 IK 的第四个层次。
3.4 三种可视化模式 3.4.1 完整交互式IK
# 1.完整交互式 IK
python -m curobo.examples.getting_started.inverse_kinematics --visualize# 浏览器打开
http://localhost:8080
界面中可以拖动末端目标坐标系。
每次目标变化后，程序重新调用：
ik_solver.solve_pose(...)
然后把成功结果更新到可视化机器人上。
3.4.2 Differential IK
python -m curobo.examples.getting_started.inverse_kinematics \
--differential
普通完整 IK 可能在不同关节解之间跳转。Differential IK 会以上一次结果作为下一次求解的起点，并加入速度和加速度正则项，使连续运动更平滑。官方源码说明它适合响应式控制和类似遥操作的交互。它更像：
目标稍微移动一点
↓
关节也只移动一点
↓
继续使用当前结果求下一步
而不是每次都从许多随机姿态重新寻找一个完全不同的解。
3.4.3 可达性分析
python -m curobo.examples.getting_started.inverse_kinematics \
--reachability
这个模式会在一个平面上生成大量目标点，然后使用批量 IK 判断哪些点可达。成功区域显示为绿色，失败区域显示为红色。它适合用来分析：
机器人工作空间；
工位应该放在哪里；
料箱是否放得太远；
哪些抓取目标需要提前过滤；
双臂机器人在哪些区域都能到达。
Mbot具身智能实验室
让尖端科技触手可及，人人皆可探索未来
Mbot基础交流群等你加入，下方扫码联系
具身-杰西
Mbot具身-小助手
Mbot-视频号
Mbot-公众号
热门跟贴