NVlabs/neural-robot-dynamics

解决的问题

NeRD 解决了在接触约束下对关节刚体（机器人）未来状态进行预测的挑战。其目标是用一种学习方法替代分析模拟器中传统且计算成本高昂的低层级动力学和接触求解器，同时在长时域内保持高精度。

工作原理

NeRD 实现了可学习的、机器人专用的动力学模型，作为可互换的后端求解器。它采用以机器人为中心且空间不变的模拟状态表示来预测运动。该系统已集成到 NVIDIA Warp 中，用户可通过统一的积分器接口在传统的分析动力学（如 Featherstone 或 XPBD）与神经动力学之间切换。

适用对象

本项目专为从事物理模拟、机器人动力学建模以及关节机器人强化学习（RL）的机器人研究人员和工程师设计。

主要亮点

• 可互换后端：可作为标准物理求解器的替代品，插入 NVIDIA Warp。
• 神经动力学：用学习模型替代低层级接触求解器，以预测未来状态。
• 强化学习集成：支持在基于 NeRD 动力学的模拟器中直接训练强化学习策略。
• 预训练模型：提供 Cartpole、Ant 和 ANYmal 等环境的即用型预训练模型。