Newton(機器人仿真開源物理引擎)

Newton 是一款開源、可擴展的物理引擎，由 NVIDIA、Google DeepMind 和 Disney Research 共同開發，由 Linux Foundation 管理，旨在推動機器人學習與開發領域的發展。

Newton 基於 NVIDIA Warp 和 OpenUSD 構建，能讓機器人以更高的精度、速度和可擴展性學習處理複雜任務。它與 MuJoCo Playground、Isaac Lab 等機器人學習框架兼容。Newton 求解器 API 為 MuJoCo Warp 等不同物理引擎提供了接口，使其能在基於張量的數據模型上運行，從而輕鬆與 Isaac Lab 中的訓練環境集成。

NVIDIA 在 CoRL 2025 宣布，GPU 加速的開源物理引擎 Newton 已發布測試版本。NVIDIA Isaac Lab 中全新集成了 Newton 物理引擎，為機器人研究與開發打造了更快速、更穩健的工作流。Newton 為機器人從仿真走向現實，實現實際套用價值提供了有力支持。Newton 可與 Isaac Lab 配合使用，但開發者也可在獨立模式下通過 Python 直接調用它，以實驗複雜的物理系統。

基本介紹

• 開發者：NVIDIA、Google DeepMind、Disney Research
• 首發時間：2025年3月
• 開源時間：2025年7月
• 技術架構：基於NVIDIA Warp框架
• 運算模式：GPU加速支持
• 適配框架：MuJoCo Playground、Isaac Lab

套用案例

Disney Research已經率先使用Newton推動其機器人角色平台發展，為下一代娛樂機器人提供支持。2025年GTC大會主題演講中和黃仁勛一起登台、以星球大戰為靈感設計的BDX機器人。

蘇黎世聯邦理工學院機器人系統實驗室積極將 Newton 用於土方工程套用中的多物理場仿真，尤其聚焦重型設備自動化。該實驗室使用 Newton Implicit Material Point Method（MPM）求解器，捕捉土壤、碎石等顆粒狀物質與剛性機械的碰撞互動。同時，蘇黎世聯邦理工學院還將 Warp 更廣泛地套用於機器人與圖形學研究，包括用於可部署運動控制的可微仿真、基於 Gaussian splats 的軌跡最佳化（FOCI），以及通過 GarmentCodeData 數據集實現的大規模 3D 服裝建模。

光輪智慧型通過開發 SimReady 資產和最佳化求解器，特別針對多物理場場景中的土壤、線纜等可變形物體，為 Newton 項目積極貢獻力量。

北京大學將基於 IPC 的求解器 Taccel 集成到 Newton 中，將其擴展至觸覺領域，用於對機器人操作器的視覺觸覺感知進行仿真。藉助 Newton 基於 GPU 加速的可微架構，北京大學的研究人員能夠對觸覺操作和可變形物體操作中至關重要的細粒度接觸互動進行建模。

Style3D將其在布料和軟體仿真領域的深厚專業知識融入 Newton，實現了對服裝和可變形物體複雜互動的高保真建模。Style3D 求解器的簡化版本已集成到 Newton 中，未來計畫開放 API，允許高級用戶運行涉及數百萬個頂點的大規模仿真。Style3D已入駐NVIDIA Newton物理引擎平台，作為形變體模擬引擎提供商。該公司利用其積累的面料和服裝數據資源，以及形變體與柔性物體仿真技術，擴展了在物理AI研究中的套用。

慕尼黑工業大學利用 Newton 在仿真環境中重新運行已在實體機器人上驗證過的靈巧操作策略，這是實現“仿真—現實”閉環的重要第一步。此外，慕尼黑工業大學已經實現利用 MuJoCo Warp，在 4,000 個並行環境中完成策略訓練，下一步目標是將策略遷移到硬體上，之後再擴展該框架，利用空間分辨觸覺皮膚實現精細操作。

特點

開源：Newton是開源的，為整個機器人社區提供了強大的支持。這使得機器人專家能夠自由地使用和分發該框架，並為其發展貢獻前沿研究成果。

NVIDIA 加速：Newton基於NVIDIA Warp構建，利用NVIDIA GPU的並行處理能力，提供了一個高性能、靈活的框架，用於構建和運行基於物理的仿真。

可微物理：通過仿真傳播梯度的能力，為機器人仿真和學習開闢了新的可能性。

可擴展：Newton具有高度可擴展性，能夠實現豐富的多物理場仿真，使機器人通過自定義求解器、積分器和數值方法與食品、布料以及其他可變形物體進行互動。Newton還支持將不同類型的求解器相結合。

基於OpenUSD：OpenUSD靈活的數據模型和合成引擎聚合了用於描述機器人及其周圍環境所需的數據，而自定義求解器和其他運行時可以針對特定的機器人能力和環境進行最佳化。

Newton 測試版的亮點包括：

• 在 GeForce RTX GPU 上，作為 Newton 主要求解器的 MuJoCo Warp，在運動控制場景下速度比 MJX 快高達 152 倍，在操作任務場景下快高達 313 倍；而 NVIDIA RTX PRO GPU 能使 MuJoCo Warp 的速度再提升 44%，MJX 的速度提升 75%。
• 作為下一代 Isaac Lab 後端，Newton 測試版使用 MuJoCo Warp 實現的手部靈巧操作，比使用 PhysX 時速度快高達 65%。
• 增強了 Vortex Block Descent（VBD）求解器的性能和穩定性，使其適用於布料等薄形可變形物體；同時最佳化了 Implicit Material Point Method（MPM）求解器，使其適用於顆粒狀材料。