用于机器人开发的物理仿真
利用 GPU 加速的物理仿真构建、训练和验证机器人策略。
概览
什么是用于机器人开发的物理仿真?
用于机器人领域的物理仿真使用运动、接触、摩擦、驱动、传感器和材料的计算模型,来呈现机器人与环境的交互。GPU 加速的仿真可以并行运行多个仿真环境,为团队提供可扩展的方式,用于生成训练经验、测试极端场景并在实际硬件测试之前评估机器人的行为。
团队可以利用仿真:
- 在硬件就绪前启动开发。在实体系统仍处于组装阶段是,仍能在虚拟环境中构建和测试机器人行为。
- 在更短的时间内运行更多实验。无需在实体机器人上执行每个实验,即可测试多种任务、操作条件和设计方案。
- 降低开发成本和风险。在故障造成设备损坏、运营中断或安全风险之前,提前发现问题。
- 提升部署前的信心。在可重复的场景、扰动和极端场景中评估机器人行为表现。
- 创建从实验到生产的路径。使用仿真训练、优化并验证机器人行为,再通过现实世界测试确认结果。
详细了解机器人学习。
快速链接
技术实施
物理仿真赋能的机器人工作流
物理仿真支持涵盖大规模策略训练、富接触点组装、可变形物体操纵以及部署前策略评估的机器人开发工作流。探索以下示例,了解如何将仿真应用于每个工作流。
机器人学习和策略训练
物理仿真创建了机器人策略学习所需的交互式体验。开发者可以定义观察、行动、奖励、重置和成功标准,并行运行多个环境,并在迁移到硬件之前评估学习行为是否稳定。
GPU 加速强化学习
机器人学习工作负载通常优先考虑多个并行环境的吞吐量,而不是单个仿真步骤的最低延迟。GPU 加速仿真可以将物理和策略计算保留在 GPU 上,降低数据传输开销,并增加训练过程中产生的经验量。能否实现这一目标取决于工作负载、批量大小、联系复杂性和硬件,因此开发者应对自己的设置进行基准测试。
富接触的操作和装配插入、紧固
插入、紧固、抓取、手内操作以及触觉任务都依赖于对接触的几何形状、摩擦特性、柔顺性、执行器行为和严格公差控制的精准把控。仿真使团队能够调整这些参数、研究失效模式,并在多种变化条件下训练控制策略,而在真实环境中复现这些条件往往过程繁琐或存在风险。
可变形物体和多物理场任务
许多机器人任务涉及刚性机构与线缆、织物、软体、颗粒材料或其他可变形物体的交互。这类工作流程可能需要专用求解器或多物理场耦合方法,而非仅使用刚体模型进行仿真。模块化仿真技术栈使开发者能够根据任务需求,灵活选择或扩展所需的物理仿真能力。
策略评估与迁移
仿真提供了一个可控的测试环境,用于比较不同控制策略、测试扰动和边界情况,并验证在更换求解器或仿真后端后,系统行为是否仍符合预期。仿真到仿真 (Sim-to-Sim) 以及仿真到现实 (Sim-to-Real) 的评估,可以揭示控制策略对模型假设的敏感性,并为校准、域随机化以及后续数据采集提供指导。
快速链接
了解物理仿真在机器人领域的实际应用
了解机器人团队如何利用 GPU 加速的物理仿真来训练策略、模拟复杂交互,并验证机器人行为。
机器人仿真栈如何协同工作
机器人仿真技术栈将任务定义、物理计算、GPU 加速和策略训练分层解耦,使开发者能够根据工作流程的需求灵活选择所需组件。
- MuJoCo Warp (MJ Warp) 为机器人技术和强化学习提供广泛应用的刚体动力学、接触仿真、建模与控制能力,并支持基于 CPU 的计算。
- MJWarp 使用 NVIDIA Warp 实现 MuJoCo 物理仿真,从而支持在 NVIDIA GPU 上进行高吞吐量的并行仿真。当工作负载需要多个仿真环境并行运行时,MJWarp 尤其适用。
- NVIDIA Warp 是一个 Python 框架,用于构建 GPU 加速的仿真与空间计算内核,并将其与机器学习框架集成。
- Newton 是一款基于 NVIDIA Warp 和 OpenUSD 构建的开源、可扩展物理引擎。它将物理模型、状态、控制、接触和求解器解耦,使开发者能够根据具体问题选择合适的数值求解方法。MJWarp 是 Newton 引擎中的核心刚体求解器。
- NVIDIA Isaac Sim™ 开放框架可作为资产创作环境,用于创建可在 Newton 中进行仿真的资产。开发者可以为机器人配置多种物理仿真后端,并在后续流程中使用 Isaac Sim 或 Isaac Lab 进行仿真。Isaac Sim 还支持对机器人软件进行软件在环 (SIL) 测试,包括在 Isaac Lab 中训练的策略,并以 Newton 作为物理仿真后端。
- NVIDIA Isaac Lab 是一个开源、支持 GPU 加速的机器人学习仿真框架。它支持仿真环境配置、策略训练、评估和迁移等工作流程,并可使用 Newton 作为物理仿真后端。
快速链接
合作伙伴生态系统
NVIDIA 与 Google DeepMind、迪士尼研究院及更广泛的 Linux 基金会社区合作,共同推进 Newton 在 GPU 加速物理仿真、求解器生态系统、仿真资产及机器人学习工作流程等方面的发展。
探索 Newton 开放生态,或联系 NVIDIA,寻找最适合您机器人仿真需求的资源与合作伙伴。
常见问题解答
MuJoCo 通常指其核心 C 语言物理仿真库及 MJCF 模型格式。它用于仿真机器人动力学,但不包含策略训练工作流程。MJWarp 基于 NVIDIA Warp 运行兼容 MuJoCo 的物理仿真,支持批量 GPU 仿真;Newton 则是一款开源、可扩展的物理引擎,可将 MJWarp 用作求解器。Isaac Lab 提供机器人学习工作流程,包括仿真环境配置、策略训练和评估。
当训练或评估需要大量并行仿真环境,且仿真吞吐量已成为性能瓶颈时,GPU 加速仿真就能发挥重要作用。在全面迁移工作流程之前,应验证其性能表现和预期行为是否符合要求。
当任务主要涉及关节式机器人和刚性物体时,使用刚体仿真。当任务的成功与否取决于可变形材料、线缆、流体、触觉交互或其他复杂物理行为时,应考虑采用耦合多物理场仿真。
入门
在浏览器中启动可交互的 Newton 环境,开始配置用于机器人学习的物理仿真。
