Open Source Robotics

Eine kuratierte Sammlung hochwertiger Open-Source-Robotikprojekte, Werkzeuge und Software für die Robotik-Community.

Steel

GPU-Physiklöser von Skild AI für viele verschiedene Roboter und Aufgaben zugleich

Lizenz

Apache 2.0

Code: Apache-2.0, laut der LICENSE-Datei im Steel-Repository; der Löser selbst wird in Newton verteilt, das ebenfalls unter Apache-2.0 steht. Medien und Marken: Die NOTICE-Datei sagt, dass die Lizenz keine Assets Dritter, Marken, das Startvideo oder seine Musik abdeckt. Browser-Portierung: steel-webgpu steht unter Apache-2.0, und die mitgelieferten Robotermodelle behalten ihre eigenen Lizenzen BSD-3-Clause und MIT. Geprüft am 2026-11-10 anhand von LICENSE, NOTICE und der LICENSE.md von steel-webgpu.

Überblick

Steel ist ein GPU-Löser für Starrkörperphysik von Skild AI, entwickelt mit NVIDIA und am 9. November 2026 als Open Source veröffentlicht, als Teil der Physik-Engine Newton, wo er als SolverSteel bereitsteht. Er ist für Roboterlernen in der Simulation gedacht, wenn ein Batch sehr unterschiedliche Szenen mischt: Arme, geschickte Hände, Vierbeiner und Humanoide, jeweils mit eigenen Gelenken und Kontakten. Er verbindet Gelenkdynamik in reduzierten Koordinaten mit einer Projected-Gauss-Seidel-Lösung der Nebenbedingungen und bemisst die Arbeit für jede Umgebung, statt jede Szene auf die größte aufzufüllen. Skild nennt im Mittel den 3,8-fachen Simulationsdurchsatz von PhysX über 20 Aufgaben des Roboterlernens und bis zum 13-fachen bei gemischten Batches, von Skild gemessen auf einer NVIDIA RTX PRO 6000 Blackwell GPU. Eine WebGPU-Portierung führt den Löser im Browser aus, mit einem öffentlichen Playground. Steel steht unter Apache-2.0 und ist in Newton noch als experimentell markiert.

Steel (Scalable Throughput-optimized Engine for Embodied Learning) ist ein Löser für Starrkörperdynamik, den Skild AI zusammen mit NVIDIA für Newton geschrieben hat, die quelloffene GPU-Physik-Engine auf Basis von NVIDIA Warp, ein Projekt der Linux Foundation. Der Code des Lösers liegt im Newton-Repository, wo er am 15. Oktober 2026 hinzukam (Pull Request) und als newton.solvers.SolverSteel genutzt wird; das Steel-Repository enthält README, Lizenz und Video zum Start. Skild kündigte die Open-Source-Veröffentlichung am 9. November 2026 in einem Beitrag zum Start an, der sagt, Steel solle das Roboterlernen in Isaac Lab beschleunigen.

Steel zielt auf einen Fall, für den viele GPU-Simulatoren nicht gebaut sind: ein Batch aus Tausenden von Umgebungen, die keine Kopien voneinander sind. Ein Roboterarm, der frei im Raum greift, eine geschickte Hand, die einen Würfel dreht, und ein Arm, der sich durch eine volle Kiste arbeitet, haben unterschiedlich viele Gelenke, Nebenbedingungen und Kontakte, und die Kontakte ändern sich bei jedem Schritt. Steel hält Dynamik und Nebenbedingungen jeder Umgebung getrennt, fasst Gelenkketten mit ähnlicher Gelenkzahl für die GPU zusammen und verteilt die Kontaktarbeit an jede Umgebung nach ihrem aktuellen Bedarf, was Auffüllen und unnötige Arbeit verringert. Jeder Schritt baut und faktorisiert die Massenmatrix im Gelenkraum jeder Gelenkkette und löst Kontakte, Gelenkgrenzen und andere Nebenbedingungen per Projected Gauss-Seidel, wobei die Faktorisierung wiederverwendet wird, ohne eine dichte Matrix der Kontaktwechselwirkungen aufzubauen. Die Newton-Dokumentation nennt seine Funktionen: Schub-, Dreh-, Kugel-, feste, D6- und freie Gelenke, Gelenkantriebe und -grenzen, Mimic-Gelenke, geschlossene kinematische Schleifen, Reibungsflächen und das Schlafenlegen ruhender Körper.

Da Steel Newtons Modell und Kollisionspipeline teilt, arbeitet es mit Newtons anderen Lösern zusammen. Der Startbeitrag zeigt es als starre Seite gekoppelter Szenen mit Kabeln, Stoff, körnigem Sand und weichen Körpern, mit hydroelastischem Kontakt und mit einem experimentellen differenzierbaren Schritt, der Gradienten durch Kontakte weitergibt.

Alle Geschwindigkeitsangaben stammen von Skild selbst, gelten nur für die Simulation und nicht für das Training von Anfang bis Ende und wurden vom 7. bis 9. November 2026 auf einer NVIDIA RTX PRO 6000 Blackwell GPU gemessen, verglichen mit PhysX aus Isaac Sim 6.1 und MuJoCo Warp 3.17, jede Engine bei ihrer besten Batchgröße. Über 20 Benchmarks mit je einer Aufgabe erreichte Steel im geometrischen Mittel den 3,8-fachen Durchsatz von PhysX und war bei 19 der 20 Aufgaben schneller; gegenüber MuJoCo Warp war es etwa 1,3-mal so schnell. Bei Batches, die 5, 10, 15 oder 20 Aufgabentypen mischen, darunter Humanoide, Vierbeiner, Arme und geschickte Hände, erreichte es das 9,2- bis 13,0-fache des Spitzendurchsatzes von PhysX. Mit 20 Aufgabentypen und 61.440 Umgebungen für beide Engines lief Steel 12,0-mal so schnell und brauchte etwa 62 % weniger GPU-Speicher, etwa 11 GiB gegenüber 29 GiB.

Skild veröffentlichte außerdem steel-webgpu, eine in TypeScript geschriebene Portierung des Lösers auf WebGPU, auf npm als @skild-ai/steel-webgpu. Sie lädt Szenen aus URDF-, MJCF- und USD-Dateien, zeichnet sie mit three.js oder React Three Fiber und läuft in Chrome, Edge oder Safari. Der Steel-Playground nutzt sie, um 24 Szenen live im Browser zu simulieren, von Jenga und Dominosteinen bis zu einem Trebuchet; man kann Objekte ziehen und die Einstellungen des Lösers im laufenden Betrieb ändern.

Warum es wichtig ist

GPU-Simulation hat Reinforcement Learning für laufende Roboter praktikabel gemacht: Tausende Kopien eines Vierbeiners oder Humanoiden üben parallel, und Domain Randomization hilft, dass das Ergebnis auf die Hardware übertragbar ist. Manipulation lässt sich so schwerer skalieren, weil brauchbare Trainingsdaten viele verschiedene Aufgaben, Objekte und Roboterkörper brauchen, während viele GPU-Simulatoren, auch die hinter Isaac Lab, am effizientesten sind, wenn jede Umgebung eines Batches gleich ist. Steel ist ein offener Löser für den gemischten Fall und sitzt in Newton neben dem MuJoCo-Warp-Löser, sodass Forschende ohne neuen Physik-Stack wechseln und lesen, testen und ändern können, wie er arbeitet. Es ist zudem die erste Open-Source-Veröffentlichung von Skild AI, einem Unternehmen, das Foundation Models für Roboter baut und sie mit Simulation trainiert, und der Browser-Playground lässt jeden den Löser ohne GPU-Workstation ausprobieren. Ob die Beschleunigung in echten Trainingspipelines hält und hilft, die Lücke von Sim-to-Real zu schließen, müssen erst Leute außerhalb von Skild zeigen.

Welches Problem es löst

GPU-Robotersimulatoren sind am schnellsten, wenn sie Tausende Kopien desselben Roboters und derselben Aufgabe ausführen, doch das Training allgemeiner Manipulations-Policies braucht Batches, die verschiedene Roboter, Objekte und Aufgaben mischen, jeweils mit eigenen Gelenken und wechselnden Kontakten. Jede Umgebung auf die größte aufzufüllen oder dichte Matrizen für komplexe Gelenkketten aufzubauen, verschwendet GPU-Zeit und Speicher. Steel bemisst die Lösung für jede Umgebung, fasst ähnliche Gelenkketten zusammen und vermeidet dichte Kontaktmatrizen, sodass eine GPU gemischte Batches aus Armen, Händen, Vierbeinern und Humanoiden mit weniger verschwendeter Arbeit rechnen kann.

Wichtigste Punkte

  • Ein Starrkörper-Physiklöser von Skild AI und NVIDIA, am 9. November 2026 in der Physik-Engine Newton als SolverSteel veröffentlicht
  • Gebaut für Batches, die verschiedene Roboter und Aufgaben mischen: Die Arbeit wird je Umgebung bemessen, Gelenkketten werden nach Gelenkzahl gruppiert
  • Gelenkdynamik in reduzierten Koordinaten mit einer matrixfreien Projected-Gauss-Seidel-Lösung von Kontakten und Nebenbedingungen
  • Skilds eigene Benchmarks auf einer RTX PRO 6000 Blackwell GPU: das 3,8-fache von PhysX bei 20 Einzelaufgaben und das 9,2- bis 13,0-fache bei gemischten Batches
  • Koppelt mit Newtons Lösern für Stoff, Kabel, weiche Körper und Granulat, mit einem experimentellen differenzierbaren Schritt
  • Eine WebGPU-Portierung, steel-webgpu, führt den Löser im Browser aus und treibt einen öffentlichen Playground an
  • Apache-2.0, sowohl im Steel-Repository als auch in Newton

Für wen

  • Forschende im Roboterlernen, die Manipulations-Policies in der Simulation über viele Aufgaben und Roboter trainieren
  • Nutzer von Isaac Lab und Newton, die einen schnelleren Löser für Gelenkroboter mit vielen Kontakten suchen
  • Entwickler von Physiksimulationen, die einen offenen GPU-Kontaktlöser untersuchen oder erweitern wollen
  • Webentwickler, die interaktive Starrkörperphysik mit Robotermodellen im Browser wollen

Einschränkungen

  • Alle Geschwindigkeits- und Speicherangaben stammen aus Skilds eigenen Messungen auf einer NVIDIA RTX PRO 6000 Blackwell GPU und wurden von anderen nicht reproduziert
  • Die Angaben betreffen nur die Physikschritte, ohne Beobachtungen, Belohnungen, Resets, Rendering oder Policy-Training, daher fällt der Gewinn beim gesamten Training kleiner aus
  • Der PhysX-Vergleich nutzt Isaac Sim 6.1; Skild merkt an, dass PhysX aus Isaac Sim 6.0 die gemischten Batches bis zu 2,7-mal schneller rechnete, der Abstand zu dieser Version ist also kleiner
  • Die Ergebnisse für Einzelaufgaben nutzen eine Option, reuse_kinematics, die in Newton 1.8 manuell aktiviert werden muss und bei aktiven Gelenkgeschwindigkeitsgrenzen nicht greift
  • Newton markiert SolverSteel als experimentell, Optionen und Attribute können sich also ohne die übliche Deprecation-Frist ändern
  • Das Steel-Repository enthält nur README, Lizenz und Startvideo; der Code liegt in Newton, das für Version 1.8 selbst erst Release Candidates hat
  • Steel löst nur Starrkörper; Stoff, Kabel, weiche Körper und Sand kommen über Kopplung von Newtons anderen Lösern
  • Am 9. November 2026 veröffentlicht, daher kaum Nutzung außerhalb von Skild und NVIDIA

Diese Website benötigt JavaScript. Bitte aktivieren Sie JavaScript, um unsere Open-Source-Robotikprojekte zu erkunden.