技術公司NVIDIA揭開了牛頓的紐頓，這是一款與Google Deepmind和Disney Research合作開發的開源和可擴展的物理引擎，旨在增強機器人的學習和開發。
基於NVIDIA WARP，它允許機器人以提高準確性學習複雜的任務，牛頓旨在與Mujoco Playground和Nvidia Isaac Lab等學習框架無縫地工作，這是一個開放式機器人學習的開放式源平台。
物理AI模型允許機器人自主理解，分析，推理和與周圍環境互動。機器人技術的進步在很大程度上依賴於加速計算和模擬來開發下一代機器人系統。
物理學在機器人模擬中至關重要，因為它構成了創建準確的虛擬模型的基礎，該模型代表機器人在現實環境中的行為和互動方式。通過這些模擬器，研究人員和工程師能夠以安全，高效且具有成本效益的方式訓練，設計，測試和驗證控制算法和原型。
牛頓旨在支持整個機器人社區，使機器人主義者可以通過研究自由使用，分發和為其發展做出貢獻。它建立在CUDA-X加速庫NVIDIA WARP上，為開發人員提供了一種有效的方法來創建基於內核的基於內核的程序，用於模擬，AI，機器人技術和機器學習（ML）。該框架利用NVIDIA GPU的並行處理能力為運行基於物理的模擬提供了高性能的功能。
牛頓的一個值得注意的特徵是它與與觸點（Mujoco）的多關節動力學的兼容性，這是一種已建立的開源物理引擎，用於機器人技術研究，用於建模複雜的動力學和接觸率豐富的環境。這種兼容性使開發人員可以重複使用現有模型和代碼，從而減少適應不同物理引擎應用程序所需的時間和資源。
此外，Google DeepMind推出了Mujoco-Warp，這是由Nvidia Warp加速的開源機器人模擬器，可提供性能提高，實現了人體機體模擬的70倍加速，並為手動操縱任務提供了100倍的加速。 Mujoco-Warp將集成為牛頓的主要物理引擎，為開發人員提供了對其機器人應用的性能和靈活性。
牛頓的更多關鍵特徵：可區分物理，可擴展性和OpenUSD集成
此外，它通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會。可區分的模擬器能夠生成前向模式結果，同時還可以計算仿真結果的反向模式梯度，然後可以將其用於後傳播以優化系統參數。
隨著機器人技術領域的發展，需要模擬的複雜性和各種場景的變化也隨之發展。牛頓被設計為高度適應性的，支持豐富的多物理模擬，其中機器人與一系列材料（包括食物，布和其他可變形物體）相互作用。自定義求解器，集成器和數值方法可以實現此靈活性。牛頓還支持耦合不同類型的求解器，如材料點方法（MPM）求解器與剛體動力學的集成中所證明的，以模擬與沙子的相互作用。
此外，牛頓還利用OpenUSD框架，該框架提供了一種多功能數據模型和組成引擎，該引擎匯總了必要的數據來描述機器人及其環境。定制求解器和運行時間可以專門用於特定的機器人功能和環境。此外，牛頓與迪士尼研究，Google DeepMind，Interinsic和NVIDIA一起，還幫助定義了機器人技術的露天資產結構。該結構旨在通過在OpenUSD中採用最佳實踐來標準化機器人工作流程，從而創建統一的數據管道，為機器人技術中的所有數據源提供通用語言。
資訊來源：由0x資訊編譯自出MPOST。版權歸作者Alisa Davidson所有，未經許可，不得轉載