NVIDIA 宣佈推出 Newton：用於機器人模擬的開源物理引擎

科技公司英偉達已經推出牛頓，這是一個與谷歌深度學習和迪士尼研究院合作開發的開源可擴充套件物理引擎，旨在提升機器人學習和發展。

基於英偉達Warp，該引擎允許機器人以更高的精度學習複雜任務，牛頓被設計為能與MuJoCo Playground和英偉達Isaac Lab等學習框架無縫協作，後者是一個用於統一機器人學習的開源平臺。

物理人工智慧模型使機器人能夠自主理解、分析、推理和與周圍環境互動。機器人技術的進步高度依賴於加速計算和模擬，以開發下一代機器人系統。

物理學在機器人模擬中至關重要，因為它構成了建立準確虛擬模型的基礎，這些模型展示了機器人在現實世界環境中的行為和互動方式。透過這些模擬器，研究人員和工程師能夠以安全、高效和經濟的方式訓練、設計、測試和驗證控制演算法和原型。

牛頓旨在支援整個機器人社群，允許機器人研究者自由使用、分發和為其研究做出貢獻。基於英偉達Warp（一個CUDA-X加速庫），它為開發者提供了一種高效的方式來建立用於模擬、人工智慧、機器人和機器學習的GPU加速核心程式。該框架利用英偉達GPU的並行處理能力，提供高效能的物理模擬功能。

牛頓的一個顯著特點是與多關節動力學與接觸（MuJoCo）相容，這是一個在機器人研究中用於建模複雜動力學和接觸豐富環境的成熟開源物理引擎。這種相容性使開發者能夠重複使用現有模型和程式碼，減少為不同物理引擎調整應用程式所需的時間和資源。

此外，谷歌深度學習還推出了MuJoCo-Warp，這是一個由英偉達Warp加速的開源機器人模擬器，其效能有了顯著提升，在人形模擬中實現了70倍以上的加速，在手部操作任務中實現了100倍的加速。MuJoCo-Warp將作為牛頓的主要物理引擎，為開發者的機器人應用提供更高的效能和靈活性。

牛頓的更多關鍵特性：可微分物理、可擴充套件性和OpenUSD整合

此外，其透過模擬傳播梯度的能力為機器人模擬和學習帶來了新的機遇。可微分模擬器能夠生成正向模式結果，同時還能計算模擬結果的反向模式梯度，這些梯度可用於反向傳播以最佳化系統引數。

隨著機器人領域的發展，需要模擬的場景複雜性和多樣性也在不斷增加。牛頓被設計為高度適應性的，支援豐富的多物理場景模擬，機器人可以與各種材料互動，包括食物、布料和其他可變形物體。這種靈活性透過定製求解器、積分器和數值方法實現。牛頓還支援耦合不同型別的求解器，例如將材料點法（MPM）求解器與剛體動力學相結合，以模擬與沙子的相互作用。

此外，牛頓利用OpenUSD框架，該框架提供了一個多功能的資料模型和組合引擎，可聚合描述機器人及其環境所需的必要資料。定製求解器和執行時可以專門用於特定的機器人功能和環境。同時，在迪士尼研究院、谷歌深度學習、Intrinsic和英偉達的共同努力下，牛頓正幫助為機器人定義OpenUSD資產結構。這一結構旨在透過採用OpenUSD中的最佳實踐來標準化機器人工作流程，建立一個統一的資料管道，為機器人領域的所有資料來源提供一種通用語言。

本文最初發表於元宇宙郵報。