NVlabs/neural-robot-dynamics

解決的問題

NeRD 解決了在接觸約束下對關節剛體（機器人）未來狀態進行預測的挑戰。其目標是用一種學習方法替代分析模擬器中傳統且計算成本高昂的低階層動力學和接觸求解器，同時在長時域內保持高精度。

工作原理

NeRD 實現了可學習的、機器人專用的動力學模型，作為可交換的後端求解器。它採用以機器人為中心且空間不變的模擬狀態表示來預測運動。該系統已整合到 NVIDIA Warp 中，使用者可透過統一的積分器介面，在傳統的分析動力學（如 Featherstone 或 XPBD）與神經動力學之間切換。

適用對象

本專案專為從事物理模擬、機器人動力學建模以及關節機器人強化學習（RL）的機器人研究人員與工程師設計。

主要亮點

• 可交換後端：可作為標準物理求解器的替代品，插入 NVIDIA Warp。
• 神經動力學：用學習模型替代低階層接觸求解器，以預測未來狀態。
• 強化學習整合：支援在基於 NeRD 動力學的模擬器中直接訓練強化學習策略。
• 預訓練模型：提供 Cartpole、Ant 和 ANYmal 等環境的即用型預訓練模型。