速度最高飙到 PhysX 的 13 倍、显存省 62%:Skild AI 联合英伟达开源 GPU 机器人仿真求解器 Steel

举报
xiayiyi0 发表于 2026/11/16 12:31:42 2026/11/16
【摘要】 2026 年 11 月 9 日,通用机器人公司 Skild AI 宣布联合 NVIDIA 正式开源高性能 GPU 刚体动力学求解器 Steel(全称 Scalable Throughput-optimized Engine for Embodied Learning),采用 Apache 2.0 协议。Steel 直接原生开发并集成在 Linux 基金会托管的开源物理引擎 Newton 中,...

2026 年 11 月 9 日,通用机器人公司 Skild AI 宣布联合 NVIDIA 正式开源高性能 GPU 刚体动力学求解器 Steel(全称 Scalable Throughput-optimized Engine for Embodied Learning),采用 Apache 2.0 协议。

Steel 直接原生开发并集成在 Linux 基金会托管的开源物理引擎 Newton 中,在 Newton 里的对应接口为 newton.solvers.SolverSteel,目标是为 NVIDIA Isaac Lab 等大规模机器人强化学习训练提供新一代高速仿真底座。


一、为什么要造 Steel?传统 GPU 仿真遇到“异构墙”

过去几年,GPU 加速物理仿真彻底改变了四足和双足机器人的运动控制训练——研究者可以把同一个机器人、同一个地形复制几千份并行训练。

但一旦进入通用操作(Manipulation)与跨本体(Cross-Embodiment)学习,仿真负载的性质就完全变了:

  • 任务内部高度动态:同样一条机械臂,在自由空间伸展、用灵巧手转魔方、或者在杂乱料箱里摸索分拣,每一步产生的接触(Contact)和约束数量截然不同。
  • 批次之间高度异构:为了训练能泛化到不同硬件的通用策略(如 Skild 自家的 Omni-bodied 策略),一个训练 batch 里往往要同时混合平行夹爪、23 自由度灵巧手、机械臂、四足乃至人形机器人。

然而,大多数现有 GPU 物理引擎是为“成千上万份完全相同的结构化环境”设计的。面对复杂多变的机器人形态时,稠密矩阵分解的开销会迅速膨胀;而为了把不同机器人强行塞进同一批 GPU 线程,传统做法不得不做大量补零对齐(Padding),导致算力和显存双双被白白浪费。


二、核心设计:按关节构型分组 + 按需分配碰撞计算

Steel 的提速与省显存,核心靠两层架构与数值设计:

  1. 按环境组织计算,按关节构型分组(Grouping) Steel 以单个环境为单位组织动力学和约束数据,并将关节数量相近的关节链(Articulations)归为同一组交给 GPU 并行执行,从根源上消除异构批次里的 Padding 浪费。
  2. 按需路由接触求解(On-demand Contact Routing) 在每个仿真步中,Steel 根据各个环境当前实际活跃的接触需求动态分配求解计算量——不再让空手移动的机械臂去陪着高密集接触场景“空转”。
  3. 缩减坐标 + 无矩阵 PGS 求解 在数值底层,Steel 将缩减坐标(Reduced-Coordinate)关节体动力学与无矩阵投影高斯-赛德尔(Matrix-Free Projected Gauss-Seidel)约束求解器结合在一起,跨接触点复用关节空间质量矩阵的分解结果,无需显式构建庞大的成对约束交互矩阵。

三、实测跑分:混合任务最高 13 倍于 PhysX,6.1 万环境省 62% 显存

Skild AI 在单张 NVIDIA RTX PRO 6000 Blackwell GPU 上对纯物理步进吞吐量(simulation-only throughput)进行了系统性基准测试,表现十分亮眼:

1. 20 个单任务同质基准

  • 在全部 20 个机器人学习任务中,Steel 有 19 个跑赢 PhysX,整体几何平均吞吐量达到 PhysX 的 3.8 倍;
  • 与另一热门开源 GPU 求解器 MuJoCo Warp 相比,Steel 也实现了约 1.3 倍的平均吞吐优势;
  • 在高自由度、密集接触任务上差距进一步拉大:例如在 23 关节的 Kuka–Allegro 灵巧手抓取任务中,Steel 吞吐量达到 PhysX 的 6.7 倍、MuJoCo Warp 的约 1.8 倍。

2. 异构混合任务(5 / 10 / 15 / 20 种任务混跑)

当把人形机器人、四足、机械臂和灵巧手等不同本体与任务混在一个 batch 里同时仿真时,Steel 的架构优势彻底释放:

  • 在各自最佳 batch size 下,Steel 的峰值吞吐量达到 PhysX 的 9.2 倍至 13.0 倍;
  • 在最极端的 20 任务混合测试中,Steel 在 245,760 个并行环境下跑出了 390 万环境步/秒(3.90M steps/s) 的惊人吞吐,而 PhysX 在 61,440 个环境处触顶,峰值为 30 万步/秒;
  • 同规模正面对比(61,440 个并行环境、20 任务混合):Steel 跑出 361 万步/秒,吞吐是 PhysX(30 万步/秒)的整整 12.0 倍;与此同时,GPU 显存占用从约 29 GiB 锐减至约 11 GiB,节省高达 62%。

四、生态位置与开发者体验:无缝融入 Newton,甚至能在浏览器跑

在架构定位上,Steel 并不是一套另起炉灶的独立物理引擎,而是作为核心刚体求解器模块(newton.solvers.SolverSteel)直接内置于 Newton 引擎之中:

  • 共享底座、易于耦合:Steel 直接复用 Newton 的模型表示与碰撞检测管线,研究者无需迁移整套物理栈即可切换使用,这也为后续把刚体操作与 Newton 生态内的布料、线缆、软体与颗粒物等耦合仿真打通铺平了道路。
  • 配套工具与 Agent 友好工作流:开源仓库 skild-ai/steel 提供了涵盖机械臂、夹爪、堆叠、线缆与闭链机构的丰富示例场景,甚至专门附带了面向人类及 Coding Agent 的调优、排错与从 PhysX 迁移的分步工作流。
  • 浏览器实时可玩(WebGPU 版):Skild AI 还同步开源了基于 WebGPU 的浏览器端实现 skild-ai/steel-webgpu,打开官方 Steel Playground 即可直接用本地显卡在网页里拖拽物体、实时调求解器参数。

小结

从大语言模型的推理基础设施到具身智能的物理仿真引擎,今年底层系统的演进逻辑惊人一致——把算力从僵化的批处理与内存浪费里解放出来。Steel 用 Apache 2.0 协议落地 Newton,不仅为高吞吐的跨本体机器人训练拿掉了最重的一块性能枷锁,也让整个开源仿真生态首次在异构并行规模上跑出了数量级的代差。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。