Kamino: GPU-based Simulation of Rigid Multi-Body Physics with Kinematic Loops
作者: Vassilios Tsounis, Guirec Maloisel, Christian Schumacher, Ruben Grandia, Agon Serifi, David Müller, Chris Amevor, Tobias Widmer, Moritz Bächer · CoRL 2026
授權條款
依 arXiv 的授權條款，以下內容僅依據摘要撰寫。
為何重要
具有強耦合約束（例如運動學迴路）的機器人，通常被近似為運動學樹，再加上額外的迴路閉合約束或模仿關節。Kamino 原生支援這些耦合，並能在同一批次中模擬結構不同的機器人；作者在單一 GPU 上使用 4,096 個平行環境，為一台具有六個巢狀運動學迴路的雙足機器人訓練行走策略。
提出的方法
Kamino 以基於 ADMM 的約束最佳化計算約束力，將剛性多體正向動力學當作非線性互補問題求解，不需簡化或凸化的模型即可處理接觸，並在 GPU 上執行批次化的異質世界。
摘要
我們提出 Kamino，一個以 GPU 為基礎的物理求解器，用於對異質、高度耦合的機械系統進行大規模平行模擬。它以 Python 搭配 NVIDIA Warp 實作，並整合進 Newton 框架，讓資料驅動的方法（例如大規模強化學習）能套用在具有強耦合運動學與動力學約束（例如運動學迴路）的複雜機器人系統上。後者通常會被迴避：將系統拓撲近似為一棵運動學樹，再加入明確的迴路封閉約束或所謂的模仿關節。Kamino 的目標是原生支援這類耦合，以減輕這項負擔。此外，Kamino 支援異質世界，可在單一 GPU 上批次模擬結構各不相同的機器人。其核心是一種以 ADMM 為基礎、最先進的約束最佳化演算法，它將受約束的剛性多體正向動力學轉寫為非線性互補問題，並透過求解此問題來計算約束力。這帶來高擬真度的模擬，能解析接觸動力學，而不必借助簡化或凸化問題的近似模型。我們在一個具有六個巢狀運動學迴路的雙足機器人上示範強化學習策略訓練，在單一 GPU 上模擬 4,096 個平行環境，產生了可行的行走策略。
連結
- arXiv 2603.16536: https://arxiv.org/abs/2603.16536
- PDF: https://arxiv.org/pdf/2603.16536
- 程式碼: https://github.com/newton-physics/newton/tree/main/newton/_src/solvers/kamino
- 專案頁面: https://kamino.disneyresearch.com/