Setup Environnement

Environnement de Développement

1. Philosophie de l'Environnement

Pour garantir la portabilité et l'isolation des processus, le projet GERO utilise exclusivement une architecture conteneurisée. L'objectif est de supprimer les disparités liées aux versions de drivers système et de bibliothèques tierces, assurant une parité parfaite entre la simulation et le robot réel.

2. Stack de Conteneurisation (Docker)

L'environnement repose sur une image de base Ubuntu 22.04 LTS, optimisée pour le calcul haute performance et la robotique.

Composants inclus dans l'image :

• Runtime : Python 3.10.x.
• Middlewares : CycloneDDS (implémentation recommandée pour le Unitree SDK 2).
• Physique : MuJoCo 3.x (moteur de rendu et solveur de contacts).
• Accélération : NVIDIA Container Toolkit (pour l'inférence des Vision Transformers).

3. Procédures d'Installation

3.1 Dépendances Systèmes

Avant l'instanciation du conteneur, l'hôte doit disposer des éléments suivants :

• Docker Engine >= 24.0
• NVIDIA Container Toolkit (si GPU disponible)
• Git

3.2 Initialisation du Lab

La préparation de l'environnement se fait via le Dockerfile situé à la racine du dépôt. La commande de build doit respecter le tagging strict pour le versioning :

docker build -t gero-lab:dev-v1.0 .

4. Gestion des Volumes et Persistance

Pour éviter la perte de données lors de la destruction des conteneurs, trois volumes persistants sont montés systématiquement :

Point de Montage	Usage
/workspace/gero/data	Jeux de données pour l'entraînement de la vision.
/workspace/gero/models	Poids des modèles IA (ViT, LLM).
/workspace/gero/logs	Télémétrie et journaux de simulation MuJoCo.

5. Workflow de Développement

1. Édition : Le code est édité sur l'hôte via l'IDE.

2. Exécution : Le script est lancé à l'intérieur du conteneur via docker exec.

3. Validation : Les résultats de simulation sont visualisés via le socket X11 ou un serveur de rendu distant.

---