В данной статье представлен обзор текущего состояния симуляции в области Physical AI, объясняющий, как симуляция преодолевает разрыв в данных для робототехники за счёт создания масштабируемых фотореалистичных обучающих сред. Описывается парадигма с использованием трёх компьютеров (обучение, симуляция, на роботе) и классифицируются ключевые движки симуляции на основе их специфических возможностей и областей применения.
- MuJoCo выделяется как быстрый и точный физический движок для моделирования сложной динамики и движений с частыми контактами, тогда как MuJoCo Warp добавляет ускорение на GPU для пакетного обучения с подкреплением.
- NVIDIA Isaac Sim обеспечивает высокодетализированную физику через PhysX и фотореалистичное рендеринг RTX в рамках OpenUSD.
- Isaac Lab 3.0 отказывается от зависимости от Omniverse, чтобы поддерживать лёгкое обучение роботов с несколькими бэкендами, включая варианты с Newton или MuJoCo Warp.
- Newton представлен как открытый исходный код, ускоренный на GPU дифференцируемый физический движок, разработанный NVIDIA, Google DeepMind и Disney Research, предоставляющий несколько решателей для различных физических систем.
Авторы приходят к выводу, что симуляция стала фундаментальной частью стека воплощённого ИИ (embodied AI), смещая фокус с сырой скорости движка на общие инфраструктурные слои, которые обеспечивают масштабируемые, разнообразные и высококачественные симулированные среды.