物理人工智能仿真：综述

构建物理人工智能系统的主要障碍在于数据的可用性。与大语言模型（LLM）和视觉语言模型（VLM）不同，后者可以通过互联网数据进行训练，而机器人则需要学习与物理世界交互的后果（例如，杯子滑动、线缆弯曲、夹爪与物体的接触）。在现实世界中收集这些数据既缓慢、昂贵又危险。仿真技术通过利用GPU并行性生成数千小时的机器人经验，解决了这一问题。如今，仿真已成为模型开发流程的一部分：用于创建感知数据集、强化学习（RL）、收集示范数据、补充现实数据、在罕见场景中进行基准测试与测试。仿真引擎在支持RL、批量仿真、接触物理、逼真渲染和传感器仿真方面各有不同。流行的引擎包括：MuJoCo（多体系统精确动力学）、MuJoCo Warp（GPU加速版，适用于RL）、NVIDIA Isaac Sim（高精度PhysX物理、RTX渲染、传感器仿真、支持OpenUSD）和Isaac Lab（轻量级多后端机器人学习环境，支持RL和模仿学习）。现代机器人仿真框架采用GPU加速的数值物理引擎。为了实现速度、稳定性和可扩展性，NVIDIA、Google DeepMind和Disney Research共同开发了Newton引擎——一个开源、GPU加速、可扩展且可微分的物理引擎。Newton将MuJoCo Warp集成为核心物理后端，并提供多种求解器（SolverMuJoCo、SolverFeatherstone、SolverSemiImplicit、SolverXPBD、SolverKamino、SolverVBD、SolverImplicitMPM、SolverStyle3D）以应对不同类型的问题。在Isaac Lab中，Newton是集成的一个活跃方向，专注于高性能实验。其他引擎（PyBullet、DART、ODE、Drake）仍保持小众地位。作者指出，仿真已成为现代具身人工智能堆栈中的关键层级，并且很大一部分基础设施正在开源社区中发展。