この記事で扱うこと
NVIDIA Isaac Sim 6.0（Newton物理世代）と Isaac Lab 3.0 beta2 の組み合わせで、Franka Emika Panda アームの Reaching タスクを PPO で学習させた記録です。
道中で Isaac Sim 6.0 特有のアセットパス問題（404エラー） に遭遇し、原因究明と修正を行いました。この問題は 2026年7月時点で日本語情報がほぼ存在せず、同じ環境を構築する人が必ず踏む可能性があります。
結論を先に: Franka のアセットURLが、Isaac Lab 3.0 beta2 の設定ファイル内で旧パスのまま取り残されており、franka.py の1行を修正することで解決しました。
1. 発生したエラー
Franka Reach タスクの学習を開始したところ、シーン生成の直後に落ちました。
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/train.py \
--task Isaac-Reach-Franka-v0 --num_envs 1024 --headless
FileNotFoundError: USD file not found at path:
'https://omniverse-content-production.s3-us-west-2.amazonaws.com/
Assets/Isaac/6.0/Isaac/IsaacLab/Robots/FrankaEmika/panda_instanceable.usd'
ロボットの3Dモデル（USDファイル）が、NVIDIAのクラウドストレージ（AWS S3）から取得できていません。
紛らわしいのは、同じ環境で ANYmal-C（四足歩行）の学習は問題なく動いていたことです。環境構築そのものは正しいはずなのに、Franka だけ落ちる。ここから切り分けが始まりました。
2. 原因の切り分け
2-1. まず「6.0のアセットが未公開なのでは」と疑った（→ 誤り）
curl で直接叩いて確認します。
curl -sI "https://omniverse-content-production.s3-us-west-2.amazonaws.com/Assets/Isaac/6.0/Isaac/IsaacLab/Robots/FrankaEmika/panda_instanceable.usd" | head -1
# → HTTP/1.1 404 Not Found
curl -sI "https://omniverse-content-production.s3-us-west-2.amazonaws.com/Assets/Isaac/5.1/Isaac/IsaacLab/Robots/FrankaEmika/panda_instanceable.usd" | head -1
# → HTTP/1.1 200 OK
5.1 には存在し、6.0 には無い。ここで「6.0のアセット群がまだS3に公開されていないのでは」と考え、Isaac Lab の apps/*.kit に定義されたアセットルートを 6.0 → 5.1 に書き換える方針を立てかけました。
しかしこれは誤った判断でした。
2-2. ANYmal が動いていた事実と矛盾する
もし6.0のアセット全体が未公開なら、ANYmal も動かないはずです。この矛盾を潰すため、ANYmal の設定ファイルで実際のパスを確認しました。
grep -n "usd_path" source/isaaclab_assets/isaaclab_assets/robots/anymal.py
# 95: usd_path=f"{ISAACLAB_NUCLEUS_DIR}/Robots/ANYbotics/ANYmal-C/anymal_c.usd"
このパスで叩き直すと——
curl -sI ".../Assets/Isaac/6.0/Isaac/IsaacLab/Robots/ANYbotics/ANYmal-C/anymal_c.usd" | head -1
# → HTTP/1.1 200 OK
6.0のアセットは正常に公開されていました。 未公開なのは Franka の特定パスだけだったのです。
教訓: URLを推測で組み立てて検証すると誤診する。必ず設定ファイル内の実際のパス文字列を確認すること。（筆者は
anymal_c/anymal_c.usdと推測して404を得たが、正解はANYmal-C/anymal_c.usdだった）
2-3. 真因 — Franka社の社名変更に伴うパス移動
franka.py を見ると、同じファイル内に2種類のパスが併存していました。
# 28行目（Reachタスクが使う。404になる）
usd_path=f"{ISAACLAB_NUCLEUS_DIR}/Robots/FrankaEmika/panda_instanceable.usd"
# 91行目（別の設定。新しいパス）
FRANKA_ROBOTIQ_GRIPPER_CFG.spawn.usd_path = f"{ISAAC_NUCLEUS_DIR}/Robots/FrankaRobotics/FrankaPanda/franka.usd"
FrankaEmika と FrankaRobotics — Franka社は社名を Franka Emika → Franka Robotics に変更しています。Isaac Sim 6.0 のアセットは新社名のディレクトリに移行済みですが、Isaac Lab beta2 の一部設定が旧パスのまま取り残されていた、というのが真因です。
新パスを確認します。
curl -sI ".../Assets/Isaac/6.0/Isaac/Robots/FrankaRobotics/FrankaPanda/franka.usd" | head -1
# → HTTP/1.1 200 OK ★存在する
curl -sI ".../Assets/Isaac/6.0/Isaac/Robots/FrankaRobotics/FrankaPanda/franka_instanceable.usd" | head -1
# → HTTP/1.1 404 Not Found ★instanceable版は無い
新パスに franka.usd は存在するが、instanceable（メモリ効率の良いインスタンス化形式）版は無い。したがって通常版を使う必要があります。
3. 修正
apps/*.kit を一律5.1に書き換える方針は破棄し、該当の1行だけを修正します。副作用が最小で済みます。
cd ~/IsaacLab/source/isaaclab_assets/isaaclab_assets/robots
cp franka.py franka.py.bak # バックアップ必須
sed -i '28s|{ISAACLAB_NUCLEUS_DIR}/Robots/FrankaEmika/panda_instanceable.usd|{ISAAC_NUCLEUS_DIR}/Robots/FrankaRobotics/FrankaPanda/franka.usd|' franka.py
変数名が ISAACLAB_NUCLEUS_DIR → ISAAC_NUCLEUS_DIR に変わる点に注意。両者は別のディレクトリを指します。
ISAAC_NUCLEUS_DIR = f"{NUCLEUS_ASSET_ROOT_DIR}/Isaac" # .../Isaac
ISAACLAB_NUCLEUS_DIR = f"{ISAAC_NUCLEUS_DIR}/IsaacLab" # .../Isaac/IsaacLab
幸い franka.py は20行目で両方importしているため、追加のimportは不要でした。
grep -n "^from" franka.py
# 20: from isaaclab.utils.assets import ISAAC_NUCLEUS_DIR, ISAACLAB_NUCLEUS_DIR
4. 学習結果
修正後、同じコマンドで学習が通りました。
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/train.py \
--task Isaac-Reach-Franka-v0 --num_envs 1024 --headless
学習の推移
| 指標 | 11 iter（序盤） | 1000 iter（完了） |
|---|---|---|
| success_rate | 0.2205 | 0.9034 |
| position_error | 0.1883 m | 0.0800 m |
| orientation_error | 1.3946 | 0.3458 |
| Mean reward | -1.85 | -0.26 |
| Mean action std | 0.97 | 0.07 |
アームが目標姿勢に90%の確率で到達できるようになりました。位置誤差8cm、姿勢誤差は4分の1に低減。
注目すべきは Mean action std の 0.97 → 0.07 という変化です。方策の出力分散が縮小しており、初期のランダムな探索から、確信を持った滑らかな動作へ収束したことを意味します。
性能（RTX 4070 12GB）
| 項目 | 値 |
|---|---|
| 学習時間 | 353.96秒（約6分） |
| 総ステップ数 | 24,576,000 |
| スループット | 72,451 steps/秒 |
| 並列環境数 | 1,024 |
| iteration time | 0.34秒 |
12GB VRAMのコンシューマGPUで、1024並列のアーム学習が6分で完走しました。同環境での他タスクの実測と並べると、12GBの余裕が見えてきます。
| タスク | num_envs | VRAM使用 | GPU使用率 | 学習時間 |
|---|---|---|---|---|
| Cartpole | 4096 | 約35% | 24-28% | 29秒 |
| ANYmal-C Flat（四足歩行） | 1024 | 約35% | 最大48% | 148秒 |
| Franka Reach（アーム） | 1024 | — | — | 354秒 |
「推奨VRAM 16GB以上」とされていますが、これらのタスク範囲では12GBで全く不足しません。並列数を増やす余地も残っています。
5. 補足 — Isaac Lab 3.0 での仕様変更
作業中に遭遇した、6.0/3.0世代の変更点も記しておきます。
GUI表示は --viz kit が必須になった
--headless は非推奨（DEPRECATED）となり、省略するとデフォルトでヘッドレス動作します。GUIを出すには可視化バックエンドを明示します。
# GUIを表示する（X11セッション必須）
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/play.py \
--task Isaac-Velocity-Flat-Anymal-C-Play-v0 --num_envs 32 --viz kit
--viz の選択肢は kit,newton,rerun,viser。Omniverseのネイティブウィンドウを出すなら kit です。
なお Wayland セッションではGUIウィンドウが表示されません。X11 で起動する必要があります（/etc/gdm3/custom.conf に WaylandEnable=false）。
GUIなしで動画だけ欲しい場合
./isaaclab.sh -p scripts/reinforcement_learning/rsl_rl/play.py \
--task Isaac-Velocity-Flat-Anymal-C-Play-v0 --num_envs 32 \
--headless --video --video_length 300
オフスクリーンレンダリングでmp4が生成されます。Wayland/X11を問わず動作し、成果物の記録に便利です。
Isaac Lab の main ブランチは Isaac Sim 6.0 に非対応（2026年7月時点）
Isaac Sim 6.0 は物理エンジンが PhysX から Newton に移行し、tensor API が変わりました。
- 旧:
omni.physics.tensors.impl.api - 新:
isaacsim.physics.newton.tensors
Isaac Lab の main ブランチは凍結されており、6.0対応は develop / 3.0-beta 系で進行中です。main を clone すると ModuleNotFoundError: No module named 'omni.physics.tensors.impl' で起動しません。
git checkout v3.0.0-beta2.patch1 # 6.0対応の安定タグ
./isaaclab.sh --install
6. まとめ
Isaac Sim 6.0 は GA 直後（2026年6月リリース）ということもあり、Isaac Lab 側の追随が部分的に間に合っていない箇所があります。今回の Franka アセットパス問題は、その典型例でした。
同種のエラーに遭遇したときの手順をまとめます。
- エラーメッセージのURLをそのまま
curl -sIで叩き、404を確認する -
設定ファイル内の実際のパス文字列を
grepで確認する（URLを推測しない） - 同じファイル内に別バージョンのパスが併存していないか探す（社名変更・ディレクトリ再編の痕跡）
- 動作している他のロボット（今回はANYmal）のパスと比較し、何が違うか特定する
- 影響範囲が最小になる修正を選ぶ（今回は kit ファイル全体ではなく、該当1行）
そして何より、「アセット全体が未公開だ」と早合点しかけたのが最大の反省点です。動いているタスクが存在するという事実と矛盾しないか、常に確認する必要がありました。
12GB のコンシューマGPUでも、四足歩行・マニピュレータともに実用的な速度で強化学習が回ることは確認できました。フィジカルAIの学習環境として、RTX 4070 は十分な選択肢です。
環境詳細
OS: Ubuntu 24.04.4 LTS (kernel 7.0.0-28-generic)
Session: X11（WaylandEnable=false）
GPU: NVIDIA RTX 4070 12GB / driver 595.71.05 / CUDA 13.2
CPU: Intel Core i5-12400 (6C/12T) ※governor=performance推奨
RAM: 30GB
Isaac Sim: 6.0.1-rc.7
Isaac Lab: v3.0.0-beta2.patch1
PyTorch: 2.10.0+cu128
その他、事前に必要だった設定
- IOMMU無効化: GRUB に
intel_iommu=off（未対応だと画像破損・不安定の警告） - GCC/G++ 11（Ubuntu 24.04標準の13は非対応）
- CPU governor を
performanceに（再起動でpowersaveに戻るため都度確認）