Artikel ini memberikan gambaran umum tentang keadaan terkini simulasi untuk AI Fisik, menjelaskan bagaimana simulasi menjembatani kesenjangan data untuk robotika dengan memungkinkan lingkungan pelatihan yang skalabel dan fotorealistik. Artikel ini menguraikan paradigma tiga-komputer (pelatihan, simulasi, di-robot) dan mengategorikan mesin simulasi utama berdasarkan kemampuan dan kasus penggunaan spesifiknya.
- MuJoCo disorot sebagai mesin fisika yang cepat dan akurat untuk dinamika presisi dan gerakan kaya kontak, sementara MuJoCo Warp menambahkan akselerasi GPU untuk pembelajaran penguatan batched.
- NVIDIA Isaac Sim menawarkan fisika berketepatan tinggi melalui PhysX dan rendering RTX fotorealistik dalam kerangka kerja OpenUSD.
- Isaac Lab 3.0 memisahkan diri dari ketergantungan Omniverse untuk mendukung pembelajaran robot multi-backend yang ringan dengan opsi untuk Newton atau MuJoCo Warp.
- Newton diperkenalkan sebagai mesin fisika sumber terbuka, dipercepat GPU, dan dapat diturunkan (differentiable) yang dikembangkan oleh NVIDIA, Google DeepMind, dan Disney Research, menyediakan beberapa solver untuk berbagai sistem fisik.
Para penulis menyimpulkan bahwa simulasi telah menjadi fondatif bagi tumpukan AI embodied, menggeser fokus dari kecepatan mesin mentah ke lapisan infrastruktur bersama yang memungkinkan pengalaman simulasi yang skalabel, beragam, dan berkualitas tinggi.