NVIDIA Warp与MjWarp加速机器人仿真与学习工作流

近日，NVIDIA发布NVIDIA Warp与MjWarp技术栈，旨在为机器人仿真与强化学习工作流提供大规模GPU加速方案。传统MuJoCo仿真依赖CPU计算，难以满足物理AI训练对海量并行环境的需求。NVIDIA Warp作为基于Python的高性能GPU计算框架，通过即时编译与内核融合技术，使开发者能够以原生语法编写高并发物理逻辑。在此基础之上构建的MjWarp，将MuJoCo物理引擎全面移植至CUDA架构，实现兼容模型的无缝GPU迁移。 在近期技术验证中，研发团队将SO-101机械臂抓取任务从单机CPU环境平滑迁移至GPU集群。通过精确配置接触与约束缓冲容量，并采用CUDA Graph捕获技术，系统成功实现2048个独立物理环境的并行推进。基准测试显示，该方案将整体仿真吞吐量提升至每秒数千次世界步，彻底改变传统仿真以单环境延迟为核心的评估范式，转而聚焦批量世界的采样效率。 此次技术突破为具身智能训练提供了高效的数据生成基础设施，大幅缩短强化学习策略的交互周期。NVIDIA指出，该架构已与底层计算栈深度融合，未来将进一步对接Newton多求解器与Isaac Lab训练循环，为大规模机器人策略学习与仿真到实物的落地提供核心算力支撑。