NVIDIA WarpとMJWarpでロボットシミュレーション高速化

NVIDIAはロボットシミュレーションおよび強化学習のワークフロー高速化を目指し、GPUベースの物理演算フレームワーク「NVIDIA Warp」と「MuJoCo Warp（MJWarp）」の技術詳細を公開した。従来のCPU専用物理エンジンMuJoCoをWarp上に移植し、シミュレーション環境の並列スケーラビリティを大幅に向上させるのが目的だ。 WarpはPython記法で記述したカーネルをJITコンパイルし、CPUまたはCUDAで実行する言語仕様を持つ。自動微分機能やPyTorch、JAXとのネイティブ連携により、シミュレーションデータを機械学習の訓練ループに直接埋め込める。MJWarpはこの基盤を活用し、互換MJCFモデルをGPUメモリ上に配置して単一APIコールで数千の独立状態を並列更新する。焦点は単体環境のレイテンシー削減ではなく、大規模バッチ処理による単位時間当たりのサンプル収集効率、すなわち集約スループットの最大化にある。 技術移行手順では、まずSO-101ロボットアームの把持・積み上げタスクをCPU環境で検証し、GPU単一環境での数値一致を確認する。次に接触・制約用のメモリバッファを最適化し、オーバーフロー防止を図る。安定動作確認後はCUDA Graphを用いてカーネル呼び出しをキャプチャ再利用し、2,048並列環境へスケールアップする。ベンチマークではコンパイル過負荷を排除するため、同期処理とウォーミングアップを明示的に組み、集約ワークステップ秒数で性能を測定する。 本技術はNVIDIAの物理AIシミュレーションロードマップの一環であり、次稿ではNewtonおよびIsaac Labとの統合手順が予定されている。MJWarpはsim-to-real転送や大規模強化学習に必要なデータ基盤として、ロボット開発のGPUスケーリングに新たな標準をもたらすものと期待される。