Steel
Skild AI 的 GPU 物理求解器,可同时仿真多种不同的机器人与任务
许可证
Apache 2.0
代码:Apache-2.0,依据 Steel 仓库中的 LICENSE 文件;求解器本身随 Newton 分发,Newton 同样采用 Apache-2.0。媒体和商标:NOTICE 文件说明,该许可证不涵盖第三方资源、商标、发布视频及其音乐。浏览器移植版:steel-webgpu 采用 Apache-2.0,其附带的机器人模型保留各自的 BSD-3-Clause 和 MIT 许可证。已于 2026-11-10 对照 LICENSE、NOTICE 和 steel-webgpu 的 LICENSE.md 核实。
概述
Steel 是 Skild AI 与 NVIDIA 共同开发的 GPU 刚体物理求解器,于 2026 年 11 月 9 日作为 Newton 物理引擎的一部分开源,在 Newton 中以 SolverSteel 提供。它面向仿真中的机器人学习,适用于一个批次混合了差异很大的场景的情况:机械臂、灵巧手、四足机器人和人形机器人,各自有不同的关节和接触。它将降维坐标下的多体关节动力学与投影 Gauss-Seidel 约束求解结合起来,并按每个环境的需要分配计算量,而不是把每个场景都填充到最大场景的规模。Skild 称,在 20 个机器人学习任务上,其仿真吞吐量平均为 PhysX 的 3.8 倍,在混合批次上最高可达 13 倍;这些结果由 Skild 在一块 NVIDIA RTX PRO 6000 Blackwell GPU 上测得。其 WebGPU 移植版可在浏览器中运行该求解器,并配有公开的在线演示。Steel 采用 Apache-2.0 许可,在 Newton 中仍标记为实验性功能。
Steel(Scalable Throughput-optimized Engine for Embodied Learning)是 Skild AI 与 NVIDIA 为 Newton 编写的刚体动力学求解器。Newton 是基于 NVIDIA Warp 的开源 GPU 物理引擎,也是 Linux Foundation 旗下的项目。求解器代码位于 Newton 仓库中,于 2026 年 10 月 15 日加入(pull request),以 newton.solvers.SolverSteel 调用;Steel 仓库中只有发布说明 README、许可证和发布视频。Skild 于 2026 年 11 月 9 日在发布文章中宣布开源,文中称 Steel 旨在加速 Isaac Lab 中的机器人学习。
Steel 针对的是许多 GPU 仿真器并非为之设计的场景:一个批次中有成千上万个彼此并不相同的环境。在空旷空间中伸展的机械臂、转动方块的灵巧手,以及在杂乱料箱中作业的机械臂,它们的关节、约束和接触数量各不相同,而且接触在每一步都会变化。Steel 将每个环境的动力学和约束分开处理,把关节数相近的多关节系统归为一组交给 GPU 计算,并根据每个环境当前的需要分配接触求解工作,从而减少填充和无用计算。每一步都会为每个多关节系统构建并分解关节空间质量矩阵,再用投影 Gauss-Seidel 求解接触、关节限位和其他约束;它重复使用这一分解结果,而不组装稠密的接触相互作用矩阵。Newton 文档列出了它的功能:移动、转动、球形、固定、D6 和自由关节,关节驱动与限位,mimic 关节,闭环运动链,摩擦区域,以及让静止物体进入休眠。
由于与 Newton 共用模型和碰撞管线,Steel 可以与 Newton 的其他求解器配合使用。发布文章展示了它作为耦合场景中的刚体一方,与线缆、布料、颗粒沙和软体一起仿真,还展示了水弹性接触,以及可让梯度穿过接触传递的实验性可微分步进。
所有速度数据均来自 Skild 自己的测量,只针对仿真,不代表端到端训练速度;测量于 2026 年 11 月 7 日至 9 日在一块 NVIDIA RTX PRO 6000 Blackwell GPU 上进行,对比对象为 Isaac Sim 6.1 中的 PhysX 和 MuJoCo Warp 3.17,各引擎均取其最佳批次规模。在 20 个单任务基准上,Steel 的吞吐量几何平均为 PhysX 的 3.8 倍,在 20 项任务中的 19 项上更快;与 MuJoCo Warp 相比约快 1.3 倍。在混合 5、10、15 或 20 种任务类型的批次上(包括人形机器人、四足机器人、机械臂和灵巧手),它达到 PhysX 峰值吞吐量的 9.2 至 13.0 倍。在 20 种任务类型、两个引擎都使用 61,440 个环境时,Steel 快 12.0 倍,GPU 显存用量少约 62%,约为 11 GiB 对 29 GiB。
Skild 还发布了 steel-webgpu,这是用 TypeScript 编写的求解器 WebGPU 移植版,在 npm 上以 @skild-ai/steel-webgpu 发布。它可以从 URDF、MJCF 和 USD 文件加载场景,用 three.js 或 React Three Fiber 渲染,并可在 Chrome、Edge 或 Safari 中运行。Steel 在线演示用它在浏览器中实时仿真 24 个场景,从叠叠乐和多米诺骨牌到投石机,用户可以拖动物体,并在运行时修改求解器设置。
为何重要
GPU 仿真让行走机器人的强化学习变得可行:一个四足机器人或人形机器人的成千上万个副本并行练习,域随机化帮助结果迁移到真实硬件上。操作任务很难用这种方式扩展,因为有用的训练数据需要许多不同的任务、物体和机器人本体,而许多 GPU 仿真器,包括 Isaac Lab 背后的仿真器,在批次中所有环境都相同时效率最高。Steel 是专为混合情况打造的开源求解器,位于 Newton 中,与 MuJoCo Warp 求解器并列,研究人员无需换用新的物理栈即可切换到它,也可以阅读、测试和修改它的工作方式。它也是 Skild AI 的首个开源发布。Skild AI 是一家开发机器人基础模型并用仿真训练这些模型的公司;浏览器中的在线演示让任何人无需 GPU 工作站即可试用该求解器。它的加速效果能否在真实训练流程中保持,并帮助缩小仿真到现实的差距,还有待 Skild 以外的人来验证。
解决的问题
GPU 机器人仿真器在运行同一机器人、同一任务的成千上万个副本时速度最快,但训练通用操作策略需要混合不同机器人、物体和任务的批次,每个都有自己的关节和不断变化的接触。把每个环境都填充到最大环境的规模,或为复杂的多关节系统构建稠密矩阵,都会浪费 GPU 时间和显存。Steel 按每个环境的需要确定求解规模,将相似的多关节系统分组,并避免使用稠密接触矩阵,使一块 GPU 能以更少的无用计算仿真由机械臂、灵巧手、四足机器人和人形机器人组成的混合批次。
要点
- Skild AI 与 NVIDIA 开发的刚体物理求解器,于 2026 年 11 月 9 日在 Newton 物理引擎中以 SolverSteel 发布
- 专为混合不同机器人和任务的批次设计:按环境分配计算量,并按关节数对多关节系统分组
- 降维坐标下的多关节动力学,配合不组装矩阵的投影 Gauss-Seidel 接触与约束求解
- Skild 自己在一块 RTX PRO 6000 Blackwell GPU 上的基准测试:20 个单任务上为 PhysX 的 3.8 倍,混合批次上为 9.2 至 13.0 倍
- 可与 Newton 的布料、线缆、软体和颗粒材料求解器耦合,并提供实验性的可微分步进
- WebGPU 移植版 steel-webgpu 可在浏览器中运行求解器,并驱动公开的在线演示
- Steel 仓库和 Newton 均采用 Apache-2.0 许可
适用人群
- 在仿真中跨多种任务和机器人训练操作策略的机器人学习研究人员
- 寻找更快求解器、用于多接触多关节机器人的 Isaac Lab 和 Newton 用户
- 想要研究或扩展开源 GPU 接触求解器的物理仿真开发者
- 希望在浏览器中实现带机器人模型的交互式刚体物理的 Web 开发者
局限
- 所有速度和显存数据均来自 Skild 在一块 NVIDIA RTX PRO 6000 Blackwell GPU 上的自测,尚未经他人复现
- 这些数据只涵盖物理步进,不包括观测、奖励、重置、渲染或策略训练,因此端到端训练的提升会更小
- 与 PhysX 的对比使用 Isaac Sim 6.1;Skild 指出 Isaac Sim 6.0 中的 PhysX 运行混合批次最多快 2.7 倍,因此与该版本相比差距更小
- 单任务结果使用了 reuse_kinematics 选项,该选项在 Newton 1.8 中需要手动开启,并且在开启关节速度限制时不起作用
- Newton 将 SolverSteel 标记为实验性功能,其选项和属性可能在没有常规弃用期的情况下更改
- Steel 仓库只有 README、许可证和发布视频;代码位于 Newton 中,而 Newton 的 1.8 版本本身仍处于候选发布阶段
- Steel 只求解刚体;布料、线缆、软体和沙子需通过耦合由 Newton 的其他求解器处理
- 于 2026 年 11 月 9 日发布,在 Skild 和 NVIDIA 之外几乎还没有使用