Qu’est-ce que Eden ?
Eden (Embodied-AI Development Environments Nexus) est un framework Python d'apprentissage robotique, pas une liste de liens. Il repose sur le simulateur physique genesis-world : vous écrivez une tâche sous forme d'une seule configuration Pydantic typée qui couvre la scène, les observations, actions et récompenses, et l'exécuteur d'entraînement, vous l'entraînez sur des milliers d'environnements GPU en parallèle, puis vous lancez la politique dans MuJoCo ou sur du matériel avec `eden deploy`.
Il fournit 47 robots et 11 assemblages composites, 66 tâches (de la locomotion au piano et à la calligraphie, plus des portages de robosuite, LIBERO, SIMPLER et PolaRiS), 245 termes combinables pour les récompenses, observations, actions et autres parties d'une tâche, et un catalogue de 21 politiques publiées, dont π0.5 et GR00T. Ce qu'il contient, c'est du code : il fournit des chargeurs pour 12 jeux de données de mouvement publics ou plus plutôt que ses propres données, et hormis Mochi, un solveur pour la dynamique couplée de corps rigides, tissus, corps mous et tiges, la simulation vient de Genesis. Les backends matériels couvrent les Unitree G1, Go2 et Go1, le LimX Oli, les bras Franka et les mains RoboTera et Wuji.
Eden vaut-il le coup ?
Eden est un framework jeune avec les habitudes d'un laboratoire chevronné. Le dépôt a été créé en mai 2026, a publié la v0.1.0 sur PyPI sous le nom eden-world le 12 novembre 2026 et compte 276 étoiles, mais sa documentation traite la sécurité, le cadencement et les licences avec plus de détail que bien des piles robotiques matures. Deux commits du 17 novembre étaient marqués comme incompatibles, et `main` épingle un commit de Genesis non publié : du code écrit aujourd'hui d'après la documentation peut demander des changements d'ici quelques semaines.
La conception suit le modèle à gestionnaires d'IsaacLab de NVIDIA et de mjlab, tous deux cités dans le README, avec Genesis en dessous au lieu d'Isaac Sim. L'intérêt est de tout réunir dans un paquet : entraînement avec rsl-rl, rl_games, skrl ou Stable-Baselines3 sur plusieurs GPU, transfert de mouvement humain vers des robots, téléopération par GELLO, Meta Quest, PICO ou gants Wuji, enregistrement au format HDF5 ou LeRobot et export vers ONNX ou TorchScript. Linux avec GPU NVIDIA est la plateforme principale ; macOS et Windows sont pris en charge sans garantie, et Python doit être en version 3.12 ou 3.13.
Le déploiement est le moment où le code fait bouger de vraies machines, et les réglages par défaut sont prudents. Un robot démarre en STOP et ne bouge qu'après qu'un opérateur a appuyé sur INIT puis START ; sans clavier ni télécommande, il reste immobile. La documentation demande malgré tout de garder l'arrêt d'urgence à portée de main, de suspendre les robots à pattes à un palan lors des premiers essais et de commencer à 0.2 des gains entraînés. Une lacune documentée compte : sur le G1, le Go2 et l'Oli, un fil de contrôle bloqué continue de renvoyer la dernière commande, si bien que le chien de garde du robot ne se déclenche jamais et que seuls l'arrêt du processus ou l'arrêt d'urgence permettent d'en sortir. `eden deploy` n'accepte que les checkpoints rsl_rl.
Les licences sont à vérifier avant tout usage commercial. Eden est sous Apache 2.0, mais l'extra optionnel GraspGen est non commercial, les modèles corporels SMPL sont soumis à licence, et le SDK des gants Wuji envoie des événements d'usage anonymes tant que `WUJI_TELEMETRY_DISABLE=1` n'est pas défini, ce qu'Eden ne fait pas pour vous. Le dépôt fournit aussi un AGENTS.md et des skills Claude Code pour écrire des termes et porter des tâches mjlab, afin qu'un agent de code y travaille selon les mêmes règles que les contributeurs humains.
Là où il fait la différence
Un laboratoire universitaire de robots humanoïdes équipé d'un Unitree G1
Entraîner une politique de marche et la tester sur le vrai robot
Entraînez `velocity_tracking_flat` sur 4 096 environnements, vérifiez-la dans MuJoCo avec `--mujoco --menagerie`, puis déployez avec `--deploy_kp_kd_scale 0.2`, le robot sur un portique et la politique Holosoma comme emplacement de sécurité. Le logiciel est gratuit ; les coûts sont le temps GPU et une session encadrée.
Une chercheuse en manipulation qui se compare aux résultats publiés
Lancer des tâches LIBERO, robosuite ou SIMPLER sans trois installations distinctes
Eden réimplémente ces suites sous forme de tâches propres et exécute les politiques du catalogue avec `eden inference --policy <name>`. Le README les présente comme des réimplémentations, pas comme le code d'origine, ce qu'il vaut mieux préciser dans toute publication de résultats.
Une start-up de robotique qui prépare une démo de main dextre
Transformer des mouvements de mains humaines en données d'entraînement pour une Wuji ou une XHand
Utilisez les extras de transfert (`dex-retargeter`, `pose`) pour reporter le mouvement sur la main, enregistrez des démonstrations téléopérées au format LeRobot et entraînez. Les checkpoints GVHMR et les modèles SMPL se téléchargent à part, et GraspGen est non commercial.
Avant de vous engager
- Mise en route
- `pip install eden-world` (pas `eden`, qui est un paquet sans rapport), puis `eden list` et `eden train --task reacher`. Nécessite Python 3.12 ou 3.13 ; la première exécution compile les noyaux de Genesis, ce qui prend du temps. Les exemples nécessitent un clone et `uv sync`.
- Intégrations
- genesis-world, MuJoCo pour les vérifications de simulation à simulation, rsl-rl, rl_games, skrl et Stable-Baselines3 ; jeux de données HDF5 et LeRobot ; export vers ONNX et TorchScript ; téléopération GELLO, Meta Quest, PICO, Wuji et SONIC ; matériel Unitree, LimX, Franka, RoboTera et Wuji.
- Données et confidentialité
- Fonctionne sur vos propres machines. Le SDK Wuji optionnel envoie des événements d'usage anonymes à un service d'analyse tiers tant que `WUJI_TELEMETRY_DISABLE=1` n'est pas défini. Le code est sous Apache 2.0 ; GraspGen est non commercial et les modèles SMPL sont soumis à licence.
- Coût à grande échelle
- Gratuit. L'entraînement à grande échelle demande des GPU NVIDIA, en multi-GPU via DDP ; le mode CPU suffit pour construire des tâches et faire tourner quelques environnements. Les vrais coûts sont les robots, les montages de sécurité et le temps des opérateurs.
- Limites
- Le lancer de rayons Nyx n'a pas de version macOS, le rendu par Gaussian splats exige CUDA, `eden deploy` ne prend en charge que les checkpoints rsl_rl, et les assemblages composites dont une pièce n'a pas de backend matériel (KukaSharpa, les mains Inspire du G1) sont refusés sur matériel.
Les points forts
- Une configuration typée par tâche, avec les variantes en options de CLI
- 47 robots, 66 tâches et un catalogue de 21 politiques
- Déploiement matériel prudent et très documenté
- Entraînement, téléopération, transfert de mouvement et export dans un seul paquet
Les points faibles
- Version 0.1.0 avec des commits incompatibles fréquents
- La branche main épingle un commit de Genesis non publié
- Un fil de contrôle bloqué continue d'envoyer la dernière commande
- Réserves sur l'usage non commercial et la télémétrie dans certains extras
Idéal pour
Les chercheurs en robotique et ingénieurs de laboratoire sous Linux avec GPU NVIDIA qui veulent un seul framework, de l'entraînement simulé jusqu'au robot réel.
Eden : questions fréquentes
- Eden vaut-il le coup ?
- Eden est un framework d'apprentissage robotique sérieux et remarquablement documenté, mais en version 0.1.0 il convient aux laboratoires capables d'absorber des changements incompatibles, pas aux équipes qui ont besoin de stabilité. Nous lui donnons 3.8 sur 5.
- Combien coûte Eden ?
- Gratuit sous Apache 2.0. Certains extras optionnels ont d'autres conditions : GraspGen relève de la licence non commerciale de NVIDIA, et les modèles corporels SMPL sont soumis à licence.
- Quels sont les inconvénients de Eden ?
- Version 0.1.0 avec des commits incompatibles fréquents; la branche main épingle un commit de Genesis non publié; un fil de contrôle bloqué continue d'envoyer la dernière commande; réserves sur l'usage non commercial et la télémétrie dans certains extras.
- À qui s’adresse Eden ?
- Les chercheurs en robotique et ingénieurs de laboratoire sous Linux avec GPU NVIDIA qui veulent un seul framework, de l'entraînement simulé jusqu'au robot réel.
- Combien coûte Eden pour une équipe ou en production ?
- Gratuit. L'entraînement à grande échelle demande des GPU NVIDIA, en multi-GPU via DDP ; le mode CPU suffit pour construire des tâches et faire tourner quelques environnements. Les vrais coûts sont les robots, les montages de sécurité et le temps des opérateurs.
- Eden est-il sûr pour les données de l’entreprise ?
- Fonctionne sur vos propres machines. Le SDK Wuji optionnel envoie des événements d'usage anonymes à un service d'analyse tiers tant que `WUJI_TELEMETRY_DISABLE=1` n'est pas défini. Le code est sous Apache 2.0 ; GraspGen est non commercial et les modèles SMPL sont soumis à licence.
Réponses vérifiées le 18 nov. 2026.