使用 NVIDIA Warp 和 MJWarp 加速机器人仿真和学习工作流程

经典 MuJoCo 提供了基于 CPU 的快速机器人仿真，适用于开发、测试和控制机器人，并且可以跨 CPU 核心并行采样。随着学习工作负载的增长，问题从单个仿真世界的运行速度转向了同时运行多个世界的能力。GPU 加速使得在大规模批次中推进这些世界成为可能，同时保持仿真和学习数据靠近设备。MuJoCo Warp (MJWarp) 建立在 NVIDIA Warp 之上，将兼容的 MuJoCo 模型带入 GPU 规模的领域。本文将 SO-101 跟随臂从熟悉的 MuJoCo 工作流程转移到多达 2048 个并行 MJWarp 环境，并探讨使这种转变成为可能的技术和验证步骤。MJWarp 将 Python 与 GPU 仿真连接起来，MuJoCo 加载并编译 MJCF 模型，MJWarp 在 NVIDIA Warp 中实现物理，编译 CUDA 内核以推进 NVIDIA GPU 上的仿真状态。这是我们的物理 AI 仿真状态系列文章的第二篇，第一篇概述了机器人仿真的现状。在这里，我们准备和扩展仿真环境，但不训练策略。后续的 Newton 和 Isaac Lab 篇章将涵盖接下来的集成层。