title: “Så vill branschjättarna lösa robotikens största problem – med nytt kraftfullt verktyg” description: “Linux Foundation, NVIDIA, Google DeepMind och Disney Research går samman i ett banbrytande samarbete för att bygga bro över simuleringsklyftan.” author: “Robohorizon Robot King” date: “2025-01-15” publishdate: “2025-01-15” layout: “article”
I åratal har robotikens största utmaning inte varit robotarna själva. Det har varit klyftan mellan de virtuella världarna där de lär sig och den obarmhärtiga fysiken i vår verklighet. Denna “sim-till-verklighet”-klyfta har varit den tysta flaskhalsen som saktat ner framstegen – där en robot som tränats i tusentals timmar i simulering misslyckas i samma ögonblick den rör vid en verklig kabel eller en hal yta. Nu siktar ett kraftfullt samarbete på att bygga en bro över den där avgrunden.
Linux Foundation, den neutrala hemvisten för världens viktigaste open source-projekt, har presenterat den allmänna tillgängligheten av Newton 1.0. Det är en open source-fysikmotor med stöd för GPU-acceleration, specifikt utformad för träning av robotar. Och listan över utvecklare får vem som helst i branschen att pricka in öronen: NVIDIA, Google DeepMind och, ja, Disney Research. Det här är inte bara ännu en simulator – det är ett samordnat försök att skapa en standard, ett gemensamt fysikspråk för en hel industri.
Den osannolika alliansen som formar robotverkligheten
Vid första ögonkast är partnerskapet… brokigt. Du har NVIDIA, den obestridde kungen av GPU-maskinvara och simuleringsplattformar som Isaac Sim. Du har Google DeepMind, AI-forskningstitanen som redan äger MuJoCo, en av de populäraste fysikmotorerna inom robotforskning. Och så har du Disney Research och Walt Disney Imagineering, de som ägnat decennier åt att se till att Kapten Jack Sparrows animatroniska svansviftning ser precis rätt ut.
Men det är helt logiskt. NVIDIA levererar det accelererade datorkraften genom sitt Warp-ramverk. Google DeepMind bidrar med djup expertis inom robotlärande och fysiksimulering. Och Disney? De är mästare på komplexa, verkliga robotsystem som måste prestera felfritt miljontals gånger. Det här samarbetet samlar de viktiga ingredienserna för en simulator som inte bara är snabb utan också djupt förstår nyanserna i fysisk interaktion.
Genom att husera Newton hos Linux Foundation får projektet något avgörande: neutral styrning. Det säkerställer att denna grundläggande del av robotikstacken inte kommer att kontrolleras av ett enskilt företag, vilket uppmuntrar till bred adoption och utveckling driven av gemenskapen.
Vad gömmer sig under Newtons huva?
Newton 1.0 handlar inte bara om att göra saker snabbare – det handlar om att simulera de röriga, kontaktrika problemen som ställt till det för tidigare motorer. Målet är att ta itu med scenarier som en robot som går på grus, manipulera ömtålig frukt eller hantera en flexibel kabel. För att göra detta har den flera viktiga funktioner:
- GPU-acceleration: Byggd på NVIDIA Warp är Newton från grunden utformad för att köras på GPU:er, vilket reducerar simuleringstider från dagar till minuter och möjliggör massiv parallell träning. NVIDIA hävdar att på sin senaste hårdvara kan Newton vara upp till 475 gånger snabbare än alternativ för vissa manipulationsuppgifter.
- Deformerbara och mjuka kroppar: En av simuleringens heliga graal är att modellera saker som inte är stela – kablar, tyg och gummi. Newton inkluderar avancerade lösare specifikt utformade för dessa deformerbara material. Tidiga användare som Samsung använder redan detta för att simulera kabomanipulation vid kylskåpsmontering.
- Hydroelastisk kontaktmodellering: Glöm enkla punktbaserade kontakter. Hydroelastiska modeller simulerar tryckfördelningen över en kontaktpatch, vilket ger en mycket rikare och mer realistisk simulering av hur objekt vidrör och deformerar varandra. Detta är avgörande för uppgifter som kräver en öm beröring eller förståelse av friktion.
- Differentierbar fysik: Newtons fysik är differentierbar, vilket i enkla termer innebär att maskininlärningsmodeller kan “se” genom simuleringen och lära sig effektivare hur deras handlingar påverkar resultatet. Det möjliggör att gradienter kan spridas genom simuleringen, vilket påskyndar träning och optimering.
Hyperlänk: Newton Project på GitHub
En standardmodell för robotmetaversumet
Newton existerar inte i ett vakuum. Marknaden för fysikmotorer är full av utmanare som PyBullet och Googles egen MuJoCo. Men Newtons strategi är en av enighet. Den integrerar MuJoCo Warp (en GPU-optimerad version av MuJoCo) som en nyckellösare, och positionerar sig inte som en ersättare utan som ett förenande ramverk. Den är byggd på OpenUSD-standarden, vilket möjliggör interoperabla beskrivningar av robotar och deras miljöer.
