新闻 · Hugging Face Blog
如何使用 NVIDIA Warp 和 MjWarp 加速机器人仿真与学习工作流
en
英文原标题：How to Use NVIDIA Warp and MjWarp to Accelerate Robotics Simulation and Learning Workflows
本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗
- 文章介绍如何利用 NVIDIA Warp 和 MuJoCo Warp（MJWarp）将机器人仿真从 CPU 扩展到 GPU 大规模并行，以 SO-101 机械臂为例，从单个 MuJoCo 世界迁移到最多 2048 个并行 MJWarp 环境。
- NVIDIA Warp 是 Python 框架，用于编写高性能 GPU 加速内核，支持静态类型内核、JIT 编译、自动微分和 PyTorch/JAX 互操作，其三大优势为性能、易用性和能力。
- MJWarp 是 MuJoCo 物理管线在 Warp 上的实现，保持相同 MJCF 模型，将模型和批量独立状态放在 GPU 上，一次 mjw.step 调用推进整个批次，提升聚合吞吐量而非单世界延迟。
- 文章区分了延迟（单步墙钟时间）和聚合吞吐量（每秒完成的世界步总数），指出 MJWarp 适合强化学习和大规模采样，因为收集经验比最小化单个环境延迟更重要。
- 迁移步骤包括验证单个 MuJoCo 世界、迁移到 MJWarp 形成批次、验证并正确测量；核心 API 转换涉及 put_model、put_data、step 以及批处理设备数组。
关键数据
- 最多 2048 个并行 MJWarp 环境
- Warp 1.15 引入确定性执行
- pip install warp-lang（≥ 1.15 用于 GPU 确定性）
引语
- MJWarp 是 MuJoCo 物理管线在 Warp 上的实现
- 一次 mjw.step 调用推进整个批次
为什么值得看：本文展示了如何将 MuJoCo 机器人仿真迁移到 GPU 大规模并行，为强化学习和物理 AI 工作流提供高吞吐量仿真基础。