Open Source Robotics

Uma coleção selecionada de projetos, ferramentas e software de robótica de código aberto de alta qualidade.

Newton

Motor de física aberto em GPU para robótica, com Kamino para mecanismos de laço fechado

Licença

  • code: Apache 2.0
  • documentation: CC BY 4.0

Código: Apache-2.0, conforme o LICENSE.md em newton-physics/newton e os metadados do pacote no PyPI. Documentação: CC BY 4.0, como diz o README. Modelos de robôs e cenas são baixados à parte do repositório newton-assets e mantêm suas próprias licenças, na maioria Apache-2.0, BSD ou MIT; os recursos DR Legs e mecanismo de teste da Disney Research, usados por dois exemplos do Kamino, só podem ser usados para pesquisa ou desenvolvimento de software. Verificado em 2026-11-08 com o LICENSE.md, o README, o PyPI e os arquivos de licença dos recursos.

Visão geral

Newton é um motor de física de código aberto para pesquisa em robótica e simulação que roda na GPU. Foi iniciado pela Disney Research, pelo Google DeepMind e pela NVIDIA e hoje é um projeto da Linux Foundation; é construído sobre o NVIDIA Warp e usa o MuJoCo Warp como principal backend de corpos rígidos. Uma única API em Python dá acesso a vários solvers, para robôs rígidos, tecido, cabos, corpos macios e materiais granulares, e os robôs são carregados de arquivos URDF, MJCF ou OpenUSD. O Isaac Lab pode usar o Newton como backend de física para aprendizado por reforço. Seu solver Kamino, da Disney Research e apresentado na CoRL 2026, simula robôs com laços cinemáticos fechados, como pernas paralelas e mecanismos de quatro barras, diretamente na GPU em vez de aproximá-los como uma árvore. O Newton tem licença Apache-2.0 e é instalado pelo PyPI.

Newton é um motor de física em GPU para roboticistas e pesquisadores de simulação. Foi iniciado pela Disney Research, pelo Google DeepMind e pela NVIDIA e, em 2025, doado à Linux Foundation, que hoje o mantém sob governança aberta. O Newton é escrito em Python sobre o NVIDIA Warp, que compila kernels Python para a GPU, e surgiu do antigo módulo de simulação do Warp. Seu principal backend de corpos rígidos é o MuJoCo Warp, a versão para GPU do MuJoCo que o Google DeepMind e a NVIDIA desenvolvem juntos.

A ideia é um só modelo e um só laço de simulação com solvers intercambiáveis. Os robôs são montados em Python ou importados de arquivos URDF, MJCF ou OpenUSD, e o mesmo modelo pode ser avançado pelo solver MuJoCo, pelos solvers Featherstone, XPBD ou semi-implícito para corpos articulados, pelo VBD para tecido, cabos e corpos macios, por um solver MPM implícito para areia, neve e outros materiais granulares, pelo Style3D para roupas ou pelo Kamino. Vários solvers podem ser acoplados na mesma cena, alguns suportam simulação diferenciável para otimização baseada em gradiente, e o motor inclui detecção de colisões, sensores como câmeras e IMUs, cinemática inversa e visualizadores que rodam no desktop ou no navegador. Ele é instalado com pip e traz mais de cem exemplos executáveis, de pêndulos e quadrúpedes caminhando a tecidos e escoamentos granulares. O Isaac Lab pode rodar seus ambientes no Newton, assim como no PhysX, de modo que tarefas de aprendizado por reforço escritas para o Isaac Lab podem usar os solvers do Newton; entre os projetos da comunidade que o usam está o RoboSimStudio.

Kamino: laços cinemáticos fechados na GPU

A maioria dos simuladores em GPU usados para aprendizado por reforço supõe que um robô é uma árvore cinemática. Muitos mecanismos reais não são: pernas paralelas, mecanismos de quatro barras em joelhos e garras e braços robóticos paralelos formam laços fechados, que normalmente são simulados cortando cada laço em uma árvore e acrescentando uma restrição de fechamento ou uma junta mimic, o que exige ajustes e pode mudar o comportamento do robô. O Kamino, desenvolvido na Disney Research em Zurique com a NVIDIA e descrito em um artigo da CoRL 2026, é um solver do Newton que simula esses mecanismos como eles são. Cada corpo mantém sua própria pose; juntas, limites de juntas e contatos com atrito são resolvidos juntos como restrições rígidas por um método ADMM proximal, e um solver de cinemática direta coloca robôs de laço fechado em uma pose consistente quando um episódio é reiniciado. Além disso, os mundos paralelos na GPU podem conter robôs diferentes, de modo que uma política pode ser treinada em várias formas de corpo ao mesmo tempo.

No artigo, o Kamino treinou uma política de caminhada para o DR Legs, um bípede com seis laços cinemáticos aninhados, usando 4.096 ambientes paralelos em uma única GPU; em testes elementares com respostas analíticas conhecidas, como uma caixa deslizando, uma bola quicando e um mecanismo de quatro barras, ele as reproduziu com poucos ajustes, enquanto os solvers MuJoCo Warp e XPBD precisaram de ajustes ou mostraram penetração, oscilação ou deslizamento prematuro. Os autores também treinaram no Kamino políticas para os robôs BDX e Olaf da Disney e relatam que elas foram transferidas para os robôs físicos (sim-to-real). O Kamino é escolhido como qualquer outro solver do Newton, o modelo DR Legs e um mecanismo de quatro barras estão entre seus exemplos, e o guia do Kamino explica seus três backends de dinâmica.

Por que importa

O Newton é uma camada de física que a Disney Research, o Google DeepMind e a NVIDIA constroem juntos e de forma aberta, sob governança neutra, em vez de cada um manter um motor separado. Para um pesquisador, isso significa um único pacote Python sob Apache-2.0 em que o solver para GPU do MuJoCo, solvers de tecido, cabos e materiais granulares e solvers de pesquisa mais novos ficam atrás de uma só interface, e o Isaac Lab pode treinar sobre ele sem uma instalação completa do Isaac Sim. Ele fica ao lado do Genesis, outro motor em GPU com muitos solvers, e do mjlab, que coloca a API do Isaac Lab apenas sobre o MuJoCo Warp. O Kamino acrescenta suporte nativo a cadeias fechadas: robôs que as têm, algo comum em robôs com pernas e garras, podem ser treinados com aprendizado por reforço na GPU sem antes serem reconstruídos como uma árvore. É a opção mais precisa e a mais lenta, e ainda experimental, por isso serve para os mecanismos que precisam dele, não para qualquer robô.

Problema que resolve

Os simuladores de robôs em GPU têm estado presos ao motor de uma única empresa e a um único método físico, e a maioria não consegue simular laços cinemáticos fechados sem aproximações e ajustes. O Newton reúne vários solvers atrás de uma interface Python aberta na GPU, e seu solver Kamino simula nativamente pernas paralelas, mecanismos articulados e outros mecanismos de laço fechado, na escala que o aprendizado por reforço exige.

Pontos principais

  • Motor de física em GPU escrito em Python, baseado no NVIDIA Warp, com o MuJoCo Warp como principal backend de corpos rígidos
  • Iniciado pela Disney Research, pelo Google DeepMind e pela NVIDIA, hoje hospedado pela Linux Foundation
  • Um modelo e um laço para muitos solvers: MuJoCo, Featherstone, XPBD, VBD, MPM implícito, Style3D e Kamino
  • Importa robôs de URDF, MJCF e OpenUSD; alguns solvers suportam simulação diferenciável
  • O Isaac Lab pode usar o Newton como backend de física para aprendizado por reforço
  • O Kamino (CoRL 2026) simula nativamente na GPU laços cinemáticos fechados e contatos rígidos
  • No artigo, o Kamino treinou uma política de caminhada para um bípede com seis laços aninhados em 4.096 ambientes paralelos
  • Apache-2.0, instalação pelo PyPI, com mais de cem exemplos executáveis

Para quem é

  • Pesquisadores de aprendizado robótico que treinam políticas em simulação massivamente paralela em GPU
  • Projetistas de robôs com pernas, garras e outros mecanismos com elos paralelos ou juntas de quatro barras
  • Usuários do Isaac Lab e do MuJoCo que querem um backend em GPU com mais opções de solver
  • Pesquisadores de simulação que querem acrescentar o próprio solver a um motor aberto e compartilhado
  • Equipes que simulam tecido, cabos, corpos macios ou materiais granulares junto com robôs

Limitações

  • O Kamino está marcado como experimental e em beta: a documentação desaconselha depender dele e avisa que sua API e seu comportamento podem mudar sem aviso; o VBD também é experimental
  • O Kamino é mais lento que os solvers MuJoCo Warp e XPBD: no artigo, ele processou cerca de 25 vezes menos amostras por segundo que o MuJoCo Warp no robô BDX, então só compensa em mecanismos com laços fechados
  • Dos robôs do artigo, só o DR Legs foi publicado; os modelos de BDX, Olaf e Iron Man são proprietários, e os resultados sim-to-real em BDX e Olaf são dos próprios autores e, segundo eles, modestos
  • A aceleração por GPU exige uma GPU NVIDIA da geração Turing ou mais nova com driver recente; no macOS, roda só na CPU
  • Os solvers em GPU do artigo do Kamino usam ponto flutuante de 32 bits, enquanto o MuJoCo na CPU usa 64 bits
  • Projeto jovem e em rápida evolução: a versão 1.0 saiu em 2026, versões menores saem mais ou menos todo mês e o changelog marca com frequência partes da API como obsoletas
  • Os modelos de robôs são baixados à parte e mantêm suas próprias licenças; os recursos da Disney Research usados por dois exemplos do Kamino, DR Legs e um mecanismo de teste, só podem ser usados para pesquisa ou desenvolvimento de software

Este site requer JavaScript. Por favor, habilite o JavaScript para explorar nossos projetos de robótica.