本文概述了Physical AI仿真的当前状态，解释了仿真如何通过提供可扩展的、照片级真实的训练环境来弥合机器人领域的数据鸿沟。文章勾勒了一种三机范式（训练、仿真、机器人端），并根据特定能力和用例对关键仿真引擎进行了分类。

  • MuJoCo被强调为一款快速且精确的物理引擎，适用于高精度动力学和接触丰富的运动；而MuJoCo Warp则添加了GPU加速以支持批处理强化学习。
  • NVIDIA Isaac Sim在OpenUSD框架内通过PhysX提供高保真物理效果，并具备照片级RTX渲染能力。
  • Isaac Lab 3.0解耦了Omniverse依赖关系，以支持轻量级的多后端机器人学习，并提供Newton或MuJoCo Warp的选项。
  • Newton被介绍为由NVIDIA、Google DeepMind和Disney Research开发的开源、GPU加速的可微物理引擎，为各种物理系统提供多种求解器。

作者总结认为，仿真已成为具身AI堆栈的基础，关注点已从原始引擎速度转向支持可扩展、多样化且高质量的仿真体验的共享基础设施层。