Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

Steel

Skild AI 的 GPU 物理求解器,能同時模擬多種不同的機器人與任務

授權條款

Apache 2.0

程式碼:Apache-2.0,依據 Steel 儲存庫中的 LICENSE 檔;求解器本身隨 Newton 散布,Newton 同樣採用 Apache-2.0。媒體和商標:NOTICE 檔說明,這份授權不涵蓋第三方素材、商標、發布影片及其音樂。瀏覽器移植版:steel-webgpu 採用 Apache-2.0,其內附的機器人模型保留各自的 BSD-3-Clause 和 MIT 授權。已於 2026-11-10 對照 LICENSE、NOTICE 和 steel-webgpu 的 LICENSE.md 確認。

概述

Steel 是 Skild AI 與 NVIDIA 共同開發的 GPU 剛體物理求解器,於 2026 年 11 月 9 日以 Newton 物理引擎的一部分開源,在 Newton 中以 SolverSteel 提供。它針對模擬中的機器人學習,適用於一個批次混合了差異很大的場景的情況:機器手臂、靈巧手、四足機器人和人形機器人,各自有不同的關節和接觸。它把簡化座標下的多關節動力學與投影 Gauss-Seidel 約束求解結合起來,並依每個環境的需要分配運算量,而不是把每個場景都補齊到最大場景的規模。Skild 表示,在 20 個機器人學習任務上,其模擬吞吐量平均為 PhysX 的 3.8 倍,在混合批次上最高可達 13 倍;這些結果是 Skild 在一張 NVIDIA RTX PRO 6000 Blackwell GPU 上測得的。它的 WebGPU 移植版能在瀏覽器中執行這個求解器,並附有公開的線上展示。Steel 採用 Apache-2.0 授權,在 Newton 中仍標示為實驗性功能。

Steel(Scalable Throughput-optimized Engine for Embodied Learning)是 Skild AI 與 NVIDIA 為 Newton 撰寫的剛體動力學求解器。Newton 是建立在 NVIDIA Warp 上的開源 GPU 物理引擎,也是 Linux Foundation 旗下的專案。求解器程式碼位於 Newton 儲存庫中,於 2026 年 10 月 15 日加入(pull request),以 newton.solvers.SolverSteel 呼叫;Steel 儲存庫只有發布說明 README、授權條款和發布影片。Skild 於 2026 年 11 月 9 日在發布文章中宣布開源,文中表示 Steel 的目的是加速 Isaac Lab 中的機器人學習。

Steel 鎖定的是許多 GPU 模擬器並非為此而設計的情況:一個批次裡有成千上萬個彼此不同的環境。在空曠空間中伸展的機器手臂、轉動方塊的靈巧手,以及在雜亂料箱中作業的手臂,它們的關節、約束和接觸數量都不一樣,而且接觸在每一步都會改變。Steel 將每個環境的動力學和約束分開處理,把關節數相近的多關節系統分成一組交給 GPU 運算,並依每個環境當下的需要分配接觸求解工作,藉此減少補齊和不必要的運算。每一步都會為每個多關節系統建立並分解關節空間質量矩陣,再以投影 Gauss-Seidel 求解接觸、關節極限和其他約束;它重複使用這個分解結果,而不組出稠密的接觸交互作用矩陣。Newton 文件列出了它的功能:滑動、旋轉、球形、固定、D6 和自由關節,關節驅動與極限,mimic 關節,閉迴路運動鏈,摩擦區域,以及讓靜止物體進入休眠。

由於與 Newton 共用模型和碰撞流程,Steel 可以和 Newton 的其他求解器一起使用。發布文章展示了它在耦合場景中擔任剛體的一方,與纜線、布料、顆粒沙和軟體一起模擬,也展示了水彈性接觸,以及能讓梯度穿過接觸傳遞的實驗性可微分步進。

所有速度數據都來自 Skild 自己的量測,只涵蓋模擬,不代表端到端的訓練速度;量測於 2026 年 11 月 7 日至 9 日在一張 NVIDIA RTX PRO 6000 Blackwell GPU 上進行,比較對象是 Isaac Sim 6.1 中的 PhysX 和 MuJoCo Warp 3.17,各引擎都採用其最佳批次大小。在 20 個單一任務的基準測試上,Steel 的吞吐量幾何平均為 PhysX 的 3.8 倍,在 20 項任務中有 19 項較快;與 MuJoCo Warp 相比約快 1.3 倍。在混合 5、10、15 或 20 種任務類型的批次上(包括人形機器人、四足機器人、機器手臂和靈巧手),它達到 PhysX 峰值吞吐量的 9.2 至 13.0 倍。在 20 種任務類型、兩個引擎都使用 61,440 個環境時,Steel 快 12.0 倍,GPU 記憶體用量少約 62%,約為 11 GiB 對 29 GiB。

Skild 也發布了 steel-webgpu,這是以 TypeScript 撰寫的求解器 WebGPU 移植版,在 npm 上以 @skild-ai/steel-webgpu 發布。它能從 URDF、MJCF 和 USD 檔案載入場景,以 three.js 或 React Three Fiber 繪製,並可在 Chrome、Edge 或 Safari 中執行。Steel 線上展示用它在瀏覽器中即時模擬 24 個場景,從疊疊樂和骨牌到投石機,使用者可以拖曳物體,並在執行時調整求解器設定。

為何重要

GPU 模擬讓行走機器人的強化學習變得可行:一台四足機器人或人形機器人的成千上萬個副本同時練習,領域隨機化則幫助成果轉移到實體硬體上。操作任務很難用這種方式擴展,因為有用的訓練資料需要許多不同的任務、物體和機器人本體,而許多 GPU 模擬器,包括 Isaac Lab 背後的模擬器,在批次中所有環境都相同時效率最高。Steel 是專為混合情況打造的開源求解器,位於 Newton 中,與 MuJoCo Warp 求解器並列,研究人員不必改用新的物理架構就能切換過去,也能閱讀、測試和修改它的運作方式。它也是 Skild AI 第一個開源發布。Skild AI 是一家開發機器人基礎模型、並以模擬訓練這些模型的公司;瀏覽器中的線上展示讓任何人不需要 GPU 工作站就能試用這個求解器。這些加速能否在實際訓練流程中維持,並幫助縮小模擬到現實的落差,還需要 Skild 以外的人來證明。

解決的問題

GPU 機器人模擬器在執行同一台機器人、同一項任務的成千上萬個副本時最快,但訓練通用的操作策略需要混合不同機器人、物體和任務的批次,每一個都有自己的關節和不斷變化的接觸。把每個環境補齊到最大環境的規模,或為複雜的多關節系統建立稠密矩陣,都會浪費 GPU 時間和記憶體。Steel 依每個環境的需要決定求解規模,將相似的多關節系統分組,並避免使用稠密的接觸矩陣,讓一張 GPU 能以較少的浪費模擬由機器手臂、靈巧手、四足機器人和人形機器人組成的混合批次。

重點

  • Skild AI 與 NVIDIA 開發的剛體物理求解器,於 2026 年 11 月 9 日在 Newton 物理引擎中以 SolverSteel 發布
  • 專為混合不同機器人和任務的批次而設計:依環境分配運算量,並依關節數將多關節系統分組
  • 簡化座標下的多關節動力學,搭配不組出矩陣的投影 Gauss-Seidel 接觸與約束求解
  • Skild 自己在一張 RTX PRO 6000 Blackwell GPU 上的基準測試:20 個單一任務上為 PhysX 的 3.8 倍,混合批次上為 9.2 至 13.0 倍
  • 可與 Newton 的布料、纜線、軟體和顆粒材料求解器耦合,並提供實驗性的可微分步進
  • WebGPU 移植版 steel-webgpu 能在瀏覽器中執行求解器,並驅動公開的線上展示
  • Steel 儲存庫和 Newton 都採用 Apache-2.0 授權

適用對象

  • 在模擬中跨多種任務和機器人訓練操作策略的機器人學習研究人員
  • 想為多接觸的多關節機器人找更快求解器的 Isaac Lab 和 Newton 使用者
  • 想研究或擴充開源 GPU 接觸求解器的物理模擬開發者
  • 想在瀏覽器中做出含機器人模型的互動式剛體物理的網頁開發者

限制

  • 所有速度和記憶體數據都來自 Skild 在一張 NVIDIA RTX PRO 6000 Blackwell GPU 上的自行量測,尚未經他人重現
  • 這些數據只涵蓋物理步進,不含觀測、獎勵、重置、算繪或策略訓練,因此端到端訓練的提升會比較小
  • 與 PhysX 的比較使用 Isaac Sim 6.1;Skild 指出 Isaac Sim 6.0 中的 PhysX 執行混合批次最多快 2.7 倍,因此與該版本相比差距較小
  • 單一任務的結果使用了 reuse_kinematics 選項,這個選項在 Newton 1.8 中需要手動開啟,而且在開啟關節速度限制時不會生效
  • Newton 將 SolverSteel 標示為實驗性功能,因此其選項和屬性可能在沒有一般棄用期的情況下變更
  • Steel 儲存庫只有 README、授權條款和發布影片;程式碼位於 Newton 中,而 Newton 的 1.8 版本本身仍在候選發布階段
  • Steel 只求解剛體;布料、纜線、軟體和沙子需透過耦合由 Newton 的其他求解器處理
  • 於 2026 年 11 月 9 日發布,在 Skild 和 NVIDIA 之外幾乎還沒有人使用

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。