NVIDIA Warp и MjWarp ускоряют симуляцию роботов

Hugging Face совместно с NVIDIA выпустил разбор о том, как ускорять симуляцию и обучение робототехники с помощью NVIDIA Warp и MjWarp. Материал продолжает серию State of Simulation for Physical AI и описывает перенос сцены с манипулятором SO-101 с обычного CPU-конвейера MuJoCo на GPU-расчёт. Warp — это Python-фреймворк для написания ускоряемых ядер: он компилирует статически типизированный код на Python под CPU или CUDA, поддерживает автоматическое дифференцирование и обмен данными с PyTorch и JAX. MjWarp реализует физику MuJoCo на базе Warp и позволяет запускать одну и ту же MJCF-модель сразу во множестве независимых миров — в примере до 2048 параллельных окружений. Авторы подчёркивают, что выигрыш даёт не ускорение одного шага, а агрегатная пропускная способность, то есть суммарное число миров-шагов в секунду, что особенно важно для обучения с подкреплением и масштабного сэмплирования. В Warp 1.15 появился режим детерминированного исполнения, который ценой части производительности даёт воспроизводимый порядок операций на GPU. Установка выполняется командами pip install warp-lang и pip install mujoco-warp, а темы Newton и Isaac Lab авторы оставили для следующих публикаций серии.