把“双 NERODual NERO学习实验资料”按可复现实验的视角来整理先定位公开仓库、教程、视频/演示与配置文件再把机器人资产Robot Asset、任务环境Task Environment、动作空间Action Space、奖励函数Reward、课程学习Curriculum、训练框架RL Framework、运行命令Run Commands和实验结论串成一篇技术文档。重点会区分“公开验证过的内容”和“尚未公开/无法确认的内容”。目前已经确认真正“双 NERO Isaac Lab 强化学习”的核心公开实验目前集中在同一条技术链上而周边还有双臂遥操作Dual-Arm Teleoperation、示教数据采集Demonstration Data Collection和单臂 NERO 的抓取强化学习RL Grasping资料可作为双臂进一步实验的直接参考。我会在文档里把这三类资料分开避免把“单臂可迁移经验”误写成“双臂已经完成验证”。我查到的资料已经足够形成一条比较完整的双 NERODual NERO学习实验技术路线。截至2026 年 8 月 27 日公开资料里最成熟的是Isaac Lab 双臂 Reach 强化学习此外还能找到可直接支撑下一阶段研究的单臂 NERO 抓取强化学习、Isaac Lab 示教数据采集、双臂 Pika Sense 遥操作、双臂 CAN 主从遥操作和Quest 双臂遥操作。下面整理成可直接纳入技术方案的文档。:::writing{variant“document” id“46317” title“双 NERO 学习实验公开资料调研与实验路线整理”}双 NERO 学习实验公开资料调研与实验路线整理1. 调研结论截至 2026 年 8 月 27 日AgileX 及相关开源社区已经公开了一套较完整的NERO 机器人学习NERO Robot Learning技术资料。其中真正以两台 NERO 组成的双 NERODual NERO为对象并已经公开强化学习环境、任务配置和训练结果的核心实验是NVIDIA Isaac Lab Dual NERO Reach Task PPO该实验已经公开双臂机器人模型Dual-Arm Robot ModelURDF 机器人资产URDF Robot Asset关节执行器配置Joint Actuator Configuration关节刚度与阻尼Joint Stiffness / Damping动作空间Action Space观测空间Observation Space目标指令空间Command Space奖励函数Reward Function课程学习Curriculum Learning回合设置Episode Settings并行仿真环境Parallel Simulation EnvironmentsRSL-RL训练RL-Games训练两种训练后端的实际训练结果比较。AgileX 官方Agilex-College仓库目前也已经直接收录名为“基于 Isaac Lab 双臂 Nero 强化学习 reach point”的完整案例因此不能再把这一项目仅视为第三方社区试验。turn946692view2除此之外公开生态中还存在三类重要资料单台 NERO 的Reach / Grasp 强化学习Reinforcement LearningNERO 的遥操作与示教数据采集Teleoperation and Demonstration Data Collection双 NERO 的真实机器人遥操作Real-Robot Dual-Arm Teleoperation。这些资料共同构成了从仿真资产 → 强化学习 → 示教数据 → 模仿学习 → 双臂遥操作 → Sim2Real逐步发展的实验基础。2. 最核心资料Dual NERO Isaac Lab 强化学习 Reach 实验2.1 官方资料位置目前最值得作为主参考的资料有四处。2.1.1 AgileX 官方 GitHub 教程AgileX 官方仓库agilexrobotics/Agilex-College其中明确存在isaac_sim/agx_arm_IsaacLab/Nero使用案例--基于Isaac Lab 双臂Nero强化学习reach point.md官方仓库同时还收录单臂 NERO Reach单臂 NERO 方块抓取Isaac Lab 数据采集工程。因此Agilex-College是目前最适合作为 NERO 学习实验“资料总入口”的官方仓库。2.1.2 Dual NERO 实际代码仓库强化学习代码主要来自smalleha/isaac_so_arm101该仓库是MuammerBay/isaac_so_arm101的 fork。原项目主要面向 SO-ARM100 / SO-ARM101而 fork 在此基础上加入了 NERO、Dual NERO 等适配。GitHub 当前页面明确显示了 fork 关系。核心目录逻辑为isaac_so_arm101/ ├── robots/ │ └── dual_nero/ │ ├── dual_nero.py │ ├── __init__.py │ ├── meshes/ │ └── urdf/ │ └── dual_nero.urdf │ ├── tasks/ │ └── reach/ │ ├── dual_nero_joint_pos_env_cfg.py │ ├── dual_nero_reach_env_cfg.py │ ├── agents/ │ └── mdp/ │ └── scripts/ └── rl_games/ ├── train.py └── play.py公开教程明确把dual_nero定义为双臂机器人模型Dual-Arm Robot Model把dual_nero_reach_env_cfg.py定义为 Reach 强化学习任务环境把dual_nero_joint_pos_env_cfg.py定义为关节位置控制环境。2.1.3 Open Robotics DiscourseAgileX Robotics 于 2026 年 6 月 23 日在 Open Robotics Discourse 发布Dual-Arm Nero Reinforcement Learning in Isaac Lab: Reach Task Training Example该文章直接说明该项目是在原始 SO-ARM101 Isaac Lab 实现基础上引入AgileX Dual-Arm NERO Manipulator以使用 NVIDIA Isaac Lab 快速训练和验证双臂强化学习策略。2.1.4 Hackster 完整教程AgileX 同日还发布Train a Dual-Arm Nero Reach Task in Isaac Lab这是偏“复现实验教程”的版本内容与 GitHub / Discourse 基本对应。3. Dual NERO 机器人模型3.1 URDF双臂模型的核心文件为robots/dual_nero/urdf/dual_nero.urdf导入 Isaac Lab 前需要把 URDF 内部的 ROS package mesh 路径调整为相对路径例如../meshes/base_link.dae这样 Isaac Lab 的资产加载器才能正确寻找模型 mesh。需要注意AgileX 同时维护官方机械臂 URDF 仓库Robot Arm URDF Repositoryagilexrobotics/agx_arm_urdf其中已经正式包含nero/ ├── meshes/ └── urdf/并明确提供nero_description.urdfnero_with_gripper_description.xacroNERO Revo2 灵巧手 Xacro因此如果自行重新搭建 Dual NERO 模型建议以官方agx_arm_urdf为机器人几何与关节定义的源头而不是完全依赖某个 fork 中已有的组合 URDF。4. Dual NERO Isaac Lab Asset 配置核心 Python 配置robots/dual_nero/dual_nero.py它生成DUAL_NERO_CFG即 Isaac Lab 使用的机器人关节体配置Robot Articulation Configuration。公开实现中包含固定底座自碰撞机器人质量与惯量初始关节位置初始关节速度双臂执行器双夹爪执行器关节 stiffness关节 damping力矩限制速度限制。5. 双臂关节刚度与阻尼公开实现并没有给所有关节使用统一的 PD 参数而是针对不同关节采用逐级下降的关节刚度Joint Stiffness。左右臂配置基本对称。例如Joint 1: stiffness 200 Joint 2: stiffness 170 Joint 3: stiffness 120 Joint 4: stiffness 80 Joint 5: stiffness 50 Joint 6: stiffness 20 Joint 7: stiffness 10关节阻尼Joint Damping对应Joint 1: damping 100 Joint 2: damping 60 Joint 3: damping 70 Joint 4: damping 24 Joint 5: damping 20 Joint 6: damping 10 Joint 7: damping 5双臂关节的effort_limit 25 velocity_limit 1.5夹爪则使用更高 stiffnessstiffness 800 damping 20这部分非常重要因为 AgileX 的实验说明也特别指出Dual NERO 导入后如果出现抖动、坍塌或数值不稳定最常见原因包括stiffness 过高damping 过低URDF 惯量错误自碰撞设置问题。turn657911view46. Dual NERO Reach 强化学习任务任务 IDIsaac-Dual-Nero-Reach-v0采用 Isaac Lab 的Manager-Based RL Environment也就是把SceneCommandObservationActionRewardEventTerminationCurriculum拆分为不同 Manager 配置。官方案例中已经正式注册该环境并同时绑定了RSL-RL PPO和RL-Games PPO配置。7. 动作空间双臂都采用关节位置动作Joint Position Action左臂left_arm_action控制left_joint.*右臂right_arm_action控制right_joint.*核心参数为scale 0.5 use_default_offset True两只手臂的动作空间彼此分开但进入同一个 RL 环境和同一个策略观测体系。因此从任务结构看这并不是“两套互不关联的单臂训练”而是一个统一的双臂马尔可夫决策过程Dual-Arm Markov Decision Process。8. 双臂末端执行器左臂末端left_gripper_base右臂末端right_gripper_baseReach Task 通过这两个 body 的位姿跟踪误差构建奖励。9. Command Space系统会分别为左右臂生成left_ee_pose right_ee_pose两组末端执行器目标位姿End-Effector Target Pose。目标每4.0 s重新采样一次。左臂位置范围包括x 0.5 y 0.15 ~ 0.25 z 0.3 ~ 0.5右臂则为x 0.5 y -0.25 ~ -0.15 z 0.3 ~ 0.5这说明两个机械臂的目标区域位于各自工作空间一侧从而降低早期训练中双臂互撞的问题。此外还随机化目标姿态rollpitchyaw。因此该任务严格来说不是单纯三维 XYZ Reach而是末端位姿跟踪End-Effector Pose Tracking10. Observation Space策略观察量至少包含左臂关节位置右臂关节位置左臂关节速度右臂关节速度左臂目标末端位姿右臂目标末端位姿左臂上一时刻动作右臂上一时刻动作。关节位置 / 速度还加入Uniform Noise噪声范围约为-0.01 ~ 0.01并启用enable_corruption True训练时进行观测扰动。播放 / 评估模式则关闭 corruption。turn228883view4这实际上已经具备初级域随机化Domain Randomization思路但目前公开版本主要是 observation noise并不是完整的物理参数域随机化。11. Reward FunctionDual NERO Reach 的奖励由多个项组成。11.1 左臂位置误差left_end_effector_position_tracking weight -0.211.2 右臂位置误差right_end_effector_position_tracking weight -0.2511.3 左臂精细位置奖励使用 tanh 型距离奖励weight 0.1 std 0.111.4 右臂精细位置奖励weight 0.2 std 0.111.5 姿态误差左右臂weight -0.111.6 动作变化惩罚action_rate_l2 weight -0.000111.7 关节速度惩罚左右臂joint_vel_l2 weight -0.0001因此奖励函数的实际设计思想是粗粒度位置跟踪 精细位置奖励 姿态跟踪 动作平滑 关节速度正则化这属于非常典型的机械臂 Reach PPO Reward Shaping。turn228883view512. Curriculum Learning公开环境明确使用了课程学习Curriculum Learning。训练早期action_rate weight -0.0001 joint_vel weight -0.0001之后在4500 steps范围内逐步把惩罚增强到action_rate -0.005 joint_vel -0.001其设计逻辑为训练初期首先让机器人“学会够到目标”不要因为过强平滑约束导致探索困难。随着策略逐步具备 Reach 能力再增加动作变化惩罚关节速度惩罚使机器人学习更平稳、更低抖动的轨迹。turn228883view513. Episode 与 Simulation 参数训练环境num_envs 4096也就是说公开 Dual NERO 实验原始配置采用4096 个并行环境4096 Parallel Environments。环境间距env_spacing 2.5播放模式缩减到num_envs 50每个 Episodeepisode_length_s 24.0Simulation timestepdt 1 / 60 sDecimationdecimation 2意味着策略控制频率大约为60 2 30 Hz \frac{60}{2}30\text{ Hz}260​30Hz因此 RL policy 实际约以30 Hz 控制频率Policy Control Frequency输出动作。turn228883view414. ResetEpisode Reset 时随机化机器人关节position_range 0.5 ~ 1.5 velocity_range 0这使训练不是固定初始姿态而是具有一定的初始状态随机化Initial-State Randomization。15. PPO 训练公开项目支持两套训练后端。15.1 RSL-RL训练uv run train\--taskIsaac-Dual-Nero-Reach-v0\--headless评估uv run play\--taskIsaac-Dual-Nero-Reach-v015.2 RL-Games训练python3 scripts/rl_games/train.py\--taskIsaac-Dual-Nero-Reach-v0\--headless评估python3 scripts/rl_games/play.py\--taskIsaac-Dual-Nero-Reach-v0两个框架均使用PPOProximal Policy Optimization路线。任务注册文件同时设置rsl_rl_cfg_entry_point rl_games_cfg_entry_point因此可以在完全相同的 Dual NERO 环境下比较两种训练框架。16. Dual NERO 实验结果公开测试的结论是RSL-RL 和 RL-Games 都能够成功学习 Dual NERO Reach Task。但 AgileX 的实际测试观察认为RL-Games 收敛更快Faster ConvergenceRL-Games 运动轨迹更平滑Smoother Motion TrajectoryRL-Games 最终 Reach 精度通常更高Higher Final Reaching Accuracy对 Dual NERO 这类复杂机器人结构RL-Games 表现更稳定。AgileX 官方 GitHub 教程也直接写明对于复杂机器人模型实验效果上rl_games更好建议优先使用rl_games。turn228883view3这一结论很重要但应该理解为AgileX 当前公开实验中的经验性结果而不是一般意义上已经证明 RL-Games 永远优于 RSL-RL。17. 单臂 NERO Reach 实验除了 Dual NEROAgileX 官方Agilex-College还保存了Nero实用案例--基于 Isaac Lab 使用强化学习实现到达目标点.md这是一套单臂 NERO Reach 实验。单臂实验具有很高参考价值因为 Dual NERO 项目的很多设计本质上是SO-ARM101 / Single NERO Reach → Dual NERO Reach逐步扩展而来。因此排查 Dual NERO 时可以先单臂验证URDF 是否正常actuator 是否稳定joint limit 是否合理end-effector frame 是否正确Reach Reward 是否收敛再进入双臂。18. 单臂 NERO 方块抓取强化学习AgileX 官方Agilex-College还公开Nero实用案例--基于 Isaac Lab 使用强化学习实现抓取方块.md说明 NERO 的公开 RL 实验已经不只停留在 Reach而是进一步扩展到了方块抓取Cube Grasping相关 Open Robotics 文章称该实验建立了一套RL training pipelinepolicy validationmanipulation tasksim-to-real preparation并基于 NERO、SO-ARM101 和 Isaac Lab 构建。因此当前技术发展关系可以理解为Single NERO Reach ↓ Single NERO Grasp ↓ Dual NERO Reach ↓ Dual NERO Manipulation其中前三项已有公开技术依据。但截至本次调研没有发现与 Dual NERO Reach 同等完整程度的Dual NERO 双臂协同抓取 RL公开训练项目。因此不能把“单臂 NERO Grasp 已完成”自动等同于“双臂 NERO Grasp 已完成”。19. NERO Isaac Lab 遥操作与示教数据采集另一个非常重要的项目是szyzp/IsaacLab_Data_Collection该项目在 Isaac Lab 中实现PiperNERO机械臂的方块堆叠任务并支持手动遥操作自动轨迹生成HDF5 演示数据trajectory replayRobomimic 数据链路。公开环境为Isaac-Stack-Cube-Nero-IK-Rel-v0这是一套基于Differential IK / Relative IK的堆叠任务。20. NERO Demonstration Dataset项目可以通过键盘手动记录演示python scripts/tools/record_demos.py\--taskIsaac-Stack-Cube-Nero-IK-Rel-v0\--devicecpu\--teleop_devicekeyboard\--dataset_file./datasets/dataset.hdf5\--num_demos10可选择遥操作设备keyboard spacemouse handtracking数据写入HDF5之后可以 replay。因此已经形成Human Teleoperation ↓ Demonstration ↓ HDF5 Dataset ↓ Replay / Verification ↓ Robomimic-compatible Pipeline这对于以后做模仿学习Imitation Learning或行为克隆Behavior Cloning非常关键。不过这套公开 Isaac Lab Data Collection 项目当前明确公开的是单台 NERO任务并不是 Dual NERO 双臂数据采集环境。21. Dual NERO Pika Sense 遥操作2026 年 7 月AgileX 又公开了Pika Sense NERO Single / Dual Arm Teleoperation其中明确支持teleop_double_nero.launch.py也就是说两台真实 NERO 可以通过两套 Pika Sense 做同步双臂遥操作。双臂系统需要左 NERO右 NERO两套 CAN interface两套 Pika Sense可选两套 Pika Gripper。启动命令为ros2 launch pika_remote_agx_arm teleop_double_nero.launch.py该实验意义非常大因为它提供的是Dual NERO Real-Robot Human Teleoperation Interface而不仅仅是仿真。22. Dual NERO CAN 主从实验AgileX 还公开Dual-Arm NERO CAN Teleoperation Tutorial结构为NERO Leader ↓ CAN ↓ NERO Follower从臂实时复制主臂运动。该项目支持双 NERO 同步实时关节跟随CAN 通信Leader-Follower 控制。这不属于机器学习训练本身但非常适合示教数据采集Demonstration Collection因为人可以直接操作 Leader NEROFollower NERO 执行动作从而天然构成物理机器人示教链路。23. Quest 双 NERO 遥操作AgileX 还维护agilexrobotics/QuestArmTeleop项目支持 NERO 和 Quest 系列设备的遥操作公开 README 中已经包含 Dual-Arm Teleoperation 逻辑。此外还有社区项目LV-Robotics-Lab/NERO-Quest-DM-TacClaw-Teleoperation其目标系统为2 × NERO 7-DoF Meta Quest 3S 2 × Touch Controller 2 × DM TacClaw该项目明显更偏双臂遥操作 视觉触觉夹爪Visuo-Tactile Gripper但项目自身注明部分真实机器人遥操作功能仍处于安全验证 / simulation-and-shadow-only 阶段因此应该作为研发参考而不能视作已经完整验证的生产级系统。24. 双 NERO 当前公开学习实验版图根据目前能够检索到的公开资料可以得到如下技术成熟度。实验方向当前公开状态NERO URDF已公开Single NERO Isaac Lab Asset已公开Dual NERO Isaac Lab Asset已公开Single NERO Reach RL已公开验证Dual NERO Reach RL已公开验证Single NERO Grasp RL已公开Dual NERO Grasp RL暂未发现完整公开验证RSL-RL PPODual NERO 已验证RL-Games PPODual NERO 已验证Dual NERO Curriculum已公开Dual NERO Observation Noise已公开Dual NERO 4096 Parallel Envs已公开配置Single NERO Isaac Lab Teleop已公开Single NERO HDF5 Data Collection已公开Robomimic-compatible Dataset已公开Dual NERO CAN Teleop已公开Dual NERO Pika Sense Teleop已公开Dual NERO Quest Teleop已有项目Dual NERO Imitation Learning暂未发现完整公开训练结果Dual NERO ACT / Diffusion Policy暂未发现完整公开项目Dual NERO VLA暂未发现完整公开项目Dual NERO RL Sim2Real暂未发现完整闭环公开验证25. 最值得复现的实验顺序如果目标是系统学习 Dual NERO最合理的实验顺序不是直接做复杂双臂抓取而是分阶段进行。Stage 1Single NERO Asset完成URDF → Isaac Lab → Joint Control验证joint namejoint directionlimitstiffnessdampinggrippercollision。Stage 2Single NERO Reach完成Single NERO Reach PPO目标是验证 RL pipeline。Stage 3Single NERO Grasp进入Reach Approach Grasp Lift学习复杂 reward shaping。Stage 4Dual NERO Reach直接复现公开Isaac-Dual-Nero-Reach-v0优先使用RL-Games PPO然后再与RSL-RL PPO做 baseline 对照。Stage 5Dual NERO Teleoperation建议选择Pika Sense或者Quest建立真实机器人双臂控制。Stage 6Dual NERO Demonstration Collection把当前单 NERO 的IsaacLab_Data_Collection扩展为Dual NERO Dual IK HDF5Observation 至少记录q_left dq_left q_right dq_right ee_left ee_right gripper_left gripper_right object_pose cameraActionleft_arm_action right_arm_action left_gripper_action right_gripper_actionStage 7Dual NERO Imitation Learning建议依次测试Behavior Cloning ↓ ACT ↓ Diffusion Policy这一步目前公开 NERO 资料中存在明显空白因此具有很高实验价值。Stage 8Dual NERO Cooperative Manipulation进一步建立双臂搬运 双臂递物 双臂协同抓取 双臂装配此时 Reward 不再只是左右臂独立 Reach而要加入inter-arm relative poseobject posegrasp constraintcollision penaltyforce / contactcooperative reward。Stage 9Sim2Real最终链路Isaac Lab ↓ Domain Randomization ↓ Policy Training ↓ ROS 2 ↓ Dual NERO同时使用 Pika / Quest 数据进行Real Demonstration ↓ Offline Dataset ↓ Imitation Learning ↓ RL Fine-Tuning这将形成比较完整的 Dual NERO Embodied AI Pipeline。26. 当前公开资料最值得关注的技术缺口从研究角度看真正有价值的不是继续重复 Dual NERO Reach而是补齐以下空白。26.1 双臂抓取目前已经有Single NERO Grasp Dual NERO Reach因此自然的下一步是Dual NERO Cooperative Grasp26.2 双臂示教数据集目前已经有Single NERO Isaac Lab HDF5同时已经有Dual NERO Pika Sense因此二者组合即可构成Dual NERO Teleoperation ↓ Dual-Arm Demonstration Dataset26.3 ACT / Diffusion Policy目前没有找到与公开 Dual NERO Reach 同等级完整度的ACTAction Chunking TransformerDiffusion PolicyDual NERO 实验。这是非常明显的研究空白。26.4 Vision-Based Dual NERO当前 Dual NERO Reach 主要使用机器人本体状态Proprioception并没有把 RGB / RGB-D 图像作为主要 policy observation。因此RGB-D Dual NERO Manipulation也是重要后续方向。26.5 Sim2Real原始 SO-ARM Isaac Lab 项目自己的 README 目前也仍将 Sim2Real 标为Work in progress因此不能因为仿真 PPO 成功就宣称 Dual NERO 已经实现完整Sim2Real 强化学习部署Sim-to-Real RL Deployment。27. 资料索引A. Dual NERO 强化学习主线AgileX 官方 GitHubagilexrobotics/Agilex-College重点文件isaac_sim/agx_arm_IsaacLab/ Nero使用案例--基于Isaac Lab 双臂Nero强化学习reach point.md这是当前最重要的官方参考。turn946692view2Dual NERO 实际实验代码smalleha/isaac_so_arm101用于实际 NERO / Dual NERO Isaac Lab 环境与训练代码。Open Robotics 教程Dual-Arm Nero Reinforcement Learning in Isaac Lab: Reach Task Training Example。Hackster 教程Train a Dual-Arm Nero Reach Task in Isaac Lab。B. NERO 官方 Robot Assetagilexrobotics/agx_arm_urdf提供 NERO URDF、Xacro 和 Mesh。C. 单臂 NERO RLAgileX 官方仓库包含Nero实用案例--基于 Isaac Lab 使用强化学习实现到达目标点.md以及Nero实用案例--基于 Isaac Lab 使用强化学习实现抓取方块.md分别对应 Single NERO Reach 和 Grasp。turn946692view4D. NERO Isaac Lab 示教数据szyzp/IsaacLab_Data_Collection支持NEROPiperkeyboardSpaceMousehand trackingHDF5replayRobomimic-compatible pipeline。E. Dual NERO Pika SenseAgileX Open Robotics 教程Complete Guide: Teleoperating the AgileX NERO Arm with Pika Sense (Single Dual Arm)明确支持teleop_double_nero.launch.pyF. Dual NERO CAN 主从AgileX HacksterDual-Arm NERO CAN Teleoperation Tutorial实现两台 NERO 的 Leader-Follower。G. Quest / Dual NEROagilexrobotics/QuestArmTeleop以及LV-Robotics-Lab/NERO-Quest-DM-TacClaw-Teleoperation可以作为 Dual NERO VR / visuo-tactile teleoperation 的参考。28. 最终判断目前已经可以比较确定地说AgileX 已经建立了从NERO 机器人资产NERO Robot Asset、Isaac Lab 仿真Isaac Lab Simulation、单臂强化学习Single-Arm Reinforcement Learning、双臂 Reach 强化学习Dual-Arm Reach Reinforcement Learning、遥操作Teleoperation到示教数据采集Demonstration Data Collection的公开技术基础。其中证据最充分的 Dual NERO 学习实验是Dual NERO NVIDIA Isaac Lab Manager-Based RL Environment Joint Position Action Pose Tracking Reward Curriculum 4096 Parallel Environments PPO RSL-RL / RL-Games而真正尚有较大研究空间的方向是Dual NERO Cooperative Manipulation Demonstration Dataset ACT / Diffusion Policy Vision Sim2Real因此如果计划继续开展 Dual NERO 学习实验最有价值的工作已经不是证明“双 NERO 能否进入 Isaac Lab”这一点已有公开验证而是进一步建立Dual NERO 双臂协同操作 双臂示教数据集 模仿学习 Sim2Real这一完整闭环。:::这里有一个特别重要的新发现AgileX 官方Agilex-College本身已经收录“双臂 NERO Isaac Lab RL Reach”教程所以后续技术文档里最好优先引用这个官方仓库而把smalleha/isaac_so_arm101写成实际代码实现来源。这样证据链会比只引用 Hackster 或社区帖子更扎实。turn570836view0上文由 NiceAIGC.net 大模型辅助生成内容仅供参考请注意辨别。