Newton：基于 NVIDIA Warp 的开源 GPU 加速物理仿真引擎深度解析
Newton：基于 NVIDIA Warp 的开源 GPU 加速物理仿真引擎深度解析
项目概述与背景
在机器人学研究和物理仿真领域，高性能计算工具的需求日益增长。随着深度学习和强化学习技术的快速发展，研究者们越来越依赖物理仿真环境来训练和验证机器人控制策略。然而，传统的物理仿真引擎往往存在计算效率低、难以并行化、与现代 GPU 计算架构兼容性差等问题。在这一背景下，Newton 项目应运而生，它是一个基于 NVIDIA Warp 构建的开源 GPU 加速物理仿真引擎，专门面向机器人和仿真研究者设计。
Newton 项目由 Disney Research、Google DeepMind 和 NVIDIA 三家知名科技公司联合发起，这种强强联合的背景本身就预示着该项目的不凡定位。项目托管在 GitHub 上（newton-physics/newton），采用 Apache-2.0 开源许可证。截至 2026 年 3 月 21 日，该仓库已获得 3,485 颗星标，拥有 358 个分叉，并记录了 1,578 次代码提交，展现出活跃的社区开发和良好的项目维护状态。
从技术传承的角度来看，Newton 实际上是对 NVIDIA Warp 项目中已废弃的 warp.sim 模块的扩展和泛化。Warp 是 NVIDIA 开发的一个高性能物理模拟和感知编程框架，它提供了丰富的原生 Python 求解器，支持柔体、绳索、布料、颗粒材料、流体和接触等物理现象的模拟。Newton 在此基础上进行了深度整合，不仅继承了 Warp 的核心优势，还集成了 MuJoCo Warp 作为主要后端，并额外增加了 OpenUSD（Universal Scene Description）支持、可微分化计算以及高度的用户自定义扩展能力。
作为一个 Linux Foundation 项目，Newton 体现了开源协作的精髓。它不仅代码本身采用 Apache-2.0 许可证开放，其文档也以 CC-BY-4.0 许可证对外提供，确保了学术界和工业界的研究者都能自由地使用和分发这一工具。这种开放姿态对于推动机器人仿真技术的普及和创新具有重要意义。
核心功能与技术架构详解
GPU 加速计算架构
Newton 的核心设计理念是将物理仿真任务尽可能地卸载到 GPU 上执行，从而获得相比传统 CPU 实现数量级的性能提升。项目对计算设备的支持非常灵活，可以在 CPU 上运行，也可以利用 NVIDIA GPU 的 CUDA 能力进行加速。在配备 NVIDIA GPU（Maxwell 架构或更新版本，驱动程序版本 545 或更新，支持 CUDA 12）的系统上，用户可以通过指定设备参数（如 --device cuda:0）将仿真任务分配到 GPU 上执行。
这种 GPU 加速设计的优势在涉及大规模粒子系统或需要高频仿真的场景中尤为明显。例如，在 Material Point Method（MPM）仿真中，Newton 能够高效处理数十万个粒子之间的相互作用，而不会像传统 CPU 实现那样遇到性能瓶颈。项目今天新增的 "Implicit MPM: new physics, solvers, and discretization options" 更新进一步扩展了 MPM 的物理模型和求解器选项，为研究人员提供了更丰富的仿真能力。
NVIDIA Warp 深度集成
Warp 是 Newton 的技术基石，它为后者提供了一个成熟且高效的物理编程框架。Warp 的核心优势在于其原生 Python 编程模型，这意味着用户可以使用熟悉的 Python 语法编写复杂的物理模拟代码，而无需深入了解 CUDA C++ 或其他底层编程语言。Warp 在内部自动处理 GPU 代码生成、内存管理和并行调度等底层细节，大大降低了高性能物理仿真的使用门槛。
Newton 对 Warp 的集成并非简单的封装，而是进行了深度的扩展。项目团队将 Warp 中已废弃的 warp.sim 模块进行了重新设计和实现，添加了更多物理求解器和仿真功能。同时，Newton 还集成了 MuJoCo Warp，这是 Google DeepMind 开发的 MuJoCo 物理引擎的 Warp 实现版本。MuJoCo（Multi-Joint Dynamics with Contact）是一个专门用于机器人仿真和生物力学研究的物理引擎，以其精确的接触动力学和关节约束处理而著称。这种集成使 Newton 能够支持更广泛的机器人模型和更复杂的物理场景。
OpenUSD 支持与现代工作流集成
在工业级仿真和数字孪生应用中，场景描述格式的标准化至关重要。Newton 对 OpenUSD（Universal Scene Description）的原生支持使其能够无缝融入现代视觉特效、动画和仿真制作流程。用户可以通过指定 --viewer usd 参数将仿真结果导出为 USD 格式文件，这些文件可以直接在支持 USD 的工具链中进行后续处理，如 Pixar 的 Universal Scene Description 工具、 NVIDIA 的 Isaac Sim、Omniverse 等。
这种设计考量反映了项目团队对用户实际工作流程的深入理解。在实际的机器人研究和开发中，仿真结果往往需要与可视化工进行交互、与其他仿真系统进行数据交换，或者用于生成训练数据。OpenUSD 支持使得这些下游任务变得更加便捷，用户无需编写专门的导出转换脚本，即可获得可直接使用的仿真记录。
可微分化仿真（Differentiable Simulation）
Newton 的另一个核心特性是对可微分化仿真的支持。项目提供了专门的 DiffSim 示例，展示了如何利用仿真结果对控制策略或物理参数进行梯度优化。可微分化仿真在机器人控制学习、强化学习和系统辨识等领域具有重要应用价值。通过在仿真过程中计算梯度，研究者可以直接优化控制器的参数，而无需依赖传统的有限差分方法或黑盒优化算法。
项目提供的 DiffSim 示例涵盖了多种场景，包括球体碰撞、布料变形、四旋翼飞行、弹簧笼、软体和四足机器人等。这些示例展示了 Newton 在处理不同类型物理系统时的灵活性，以及如何将仿真结果与自动微分框架集成以实现参数优化。
丰富的物理求解器和仿真能力
Newton 支持多种物理现象的仿真，包括但不限于：
刚体动力学与接触：项目实现了完整的刚体动力学求解器，支持复杂的关节约束和接触力模型。用户可以仿真从简单刚体堆叠到多关节机器人在复杂地形上行走等各种场景。
绳索与电缆仿真：Cable 示例展示了 Newton 在绳索动力学方面的能力，包括扭转、Y 型接头、束线滞后等复杂现象的仿真。这对于电线管理、绳索操作机器人和软体机器人等领域的研究具有重要意义。
布料仿真：Cloth 示例演示了布料弯曲、悬挂、3D 样式等各种布料行为的模拟。结合 MPM（Material Point Method），Newton 还能处理布料与颗粒材料的相互作用。
软体仿真：Softbody 示例支持具有弹性变形的连续体仿真，可用于研究软体机器人、可变形抓取和生物组织力学等领域的问题。
多物理场耦合：Multi-Physics 示例展示了 Newton 处理不同物理场之间耦合的能力，例如软体落在布料上的双向耦合仿真。
代码示例与使用教程
快速上手
Newton 提供了简洁的安装和运行接口，使得用户能够快速开始物理仿真体验。以下是基本的安装和使用流程：
# 安装 Newton（包含示例）
pip install "newton[examples]"
# 运行内置示例
python -m newton.examples basic_pendulum
python -m newton.examples basic_urdf
python -m newton.examples basic_viewer
对于需要从源码安装的用户，项目推荐使用 uv 包管理器进行依赖管理。uv 是一个用 Rust 编写的高性能 Python 包管理器，能够显著加快依赖安装速度。
示例运行选项
Newton 的所有示例都支持一组统一的命令行参数，这大大简化了不同示例之间的切换和配置：
| 参数 | 描述 | 默认值 |
|---|---|---|
--viewer | 可视化类型：gl（OpenGL 窗口）、usd（USD 文件输出）、rerun（ReRun）、null（无输出） | gl |
--device | 计算设备，如 cpu、cuda:0 等 | None（使用 Warp 默认设备） |
--num-frames | 仿真的帧数（用于 USD 输出） | 100 |
--output-path | USD 文件输出路径（当 --viewer usd 时必填） | None |
# 列出所有可用示例
python -m newton.examples
# 使用 USD 视图器并保存到文件
python -m newton.examples basic_viewer --viewer usd --output-path my_output.usd
# 在指定设备上运行示例
python -m newton.examples basic_urdf --device cuda:0
# 组合使用多个选项
python -m newton.examples basic_viewer --viewer gl --num-frames 500 --device cpu
机器人仿真示例
Newton 提供了丰富的机器人仿真示例，涵盖从经典控制问题到先进机器人模型的各种场景：
# 经典倒立摆
python -m newton.examples robot_cartpole
# 人形机器人 G1（宇树科技）
python -m newton.examples robot_g1
# 人形机器人 H1（宇树科技）
python -m newton.examples robot_h1
# 四足机器人 Anymal D
python -m newton.examples robot_anymal_d
# 四足机器人 Anymal C 行走
python -m newton.examples robot_anymal_c_walk
# 机械臂 Panda（带液压驱动）
python -m newton.examples robot_panda_hydro
# 机械臂 UR10
python -m newton.examples robot_ur10
# 灵巧手 Allegro Hand
python -m newton.examples robot_allegro_hand
这些示例不仅展示了 Newton 对各种机器人模型的支持能力，也为研究者提供了用于算法开发和验证的现成测试平台。
逆运动学示例
逆运动学（Inverse Kinematics）是机器人控制中的基础问题，Newton 提供了专门的 IK 示例来演示如何求解机器人末端执行器的目标位姿：
# 机械臂 Panda 的逆运动学
python -m newton.examples ik_franka
# 人形机器人 H1 的逆运动学
python -m newton.examples ik_h1
# 自定义逆运动学
python -m newton.examples ik_custom
# 方块堆叠任务
python -m newton.examples ik_cube_stacking
可微分化仿真示例
对于需要进行参数优化的研究任务，DiffSim 示例展示了如何利用可微分化仿真：
# 可微分化球体碰撞
python -m newton.examples diffsim_ball
# 可微分化布料仿真
python -m newton.examples diffsim_cloth
# 可微分化四旋翼飞行
python -m newton.examples diffsim_drone
# 可微分化四足机器人 Bear
python -m newton.examples diffsim_bear
这些示例可以直接用于训练机器人控制策略或进行系统参数辨识，研究者可以在此基础上开发自己的优化算法。
技术亮点与创新点分析
1. 创新的仿真框架设计
Newton 在设计理念上有几个值得关注的创新点。首先，项目采用了对 Warp 模块进行扩展和深化的策略，而不是从头构建一个全新的仿真框架。这种"站在巨人肩膀上"的方法既保证了底层计算的高效性，又避免了重复造轮子的资源浪费。项目团队充分利用了 Warp 在 GPU 代码生成和内存管理方面的成熟技术，同时在其上构建了更丰富的物理求解器和用户友好的 API。
其次，Newton 的模块化设计使得不同物理组件可以灵活组合。例如，MPM（Material Point Method）求解器可以与刚体动力学结合，实现多物理场耦合仿真；传感器模块可以与各种物理模型结合，提供真实的感知数据。这种设计哲学使 Newton 成为一个灵活且可扩展的仿真平台。
2. 产学研合作的典范案例
Newton 项目由 Disney Research、Google DeepMind 和 NVIDIA 三家机构联合发起，这种产学研合作模式在开源项目中并不常见。Disney Research 在动画和机器人研究方面有着深厚的积累，其对物理仿真精度的追求推动了项目的高标准定位；Google DeepMind 在强化学习和机器人学习领域的突破性工作为项目提供了应用场景和算法支撑；NVIDIA 在 GPU 计算和硬件加速方面的领导地位则确保了项目的性能和可扩展性。
这种跨机构的合作不仅带来了技术上的优势，也为项目建立了良好的治理结构。项目采用 Linux Foundation 的治理模式，确保了长期可持续发展和社区决策的公正性。
3. 完善的开发者支持
从项目文档和开发者支持角度来看，Newton 展示了开源项目的最佳实践。项目提供了详尽的安装指南、开发指南和示例代码，使得新用户能够快速上手。CLAUDE.md 和 AGENTS.md 文件的存在表明项目团队在使用 AI 辅助编程方面也有深入的实践，这些文件记录了项目特定的开发流程和约定。
此外，项目对代码质量的要求也很高。从提交历史中可以看到大量的代码审查、许可证头更新和文档修复提交，这反映了活跃的社区维护和对代码质量的持续关注。
4. 面向未来的技术选型
Newton 在技术选型上展现了前瞻性。项目对 OpenUSD 的支持反映了其对工业级互操作性的重视，USD 正在成为 3D 内容创作和仿真领域的标准格式。同时，项目对可微分化的支持使其能够与现代机器学习框架无缝集成，为机器人学习研究提供了有力工具。
应用场景与案例
机器人控制策略开发与验证
Newton 最直接的应用场景是机器人控制策略的开发与验证。研究人员可以在 Newton 仿真环境中测试各种控制算法，包括传统的 PID 控制、基于模型的控制（MPC）以及数据驱动的强化学习控制。项目提供的多种机器人示例（如四足机器人、人形机器人、机械臂等）为不同研究方向的研究者提供了现成的测试平台。
特别值得注意的是，Newton 对多种机器人模型的支持使得迁移学习成为可能。例如，研究者可以先在仿真环境中使用 Anymal D（四足机器人）训练控制策略，然后将学习到的策略迁移到宇树科技的 H1 人形机器人上进行微调。这种仿真到真实的迁移在机器人学习研究中具有重要价值。
强化学习训练环境
对于强化学习研究者而言，Newton 提供了一个高性能且可配置的仿真环境。与传统的 Gymnasium 或 MuJoCo 相比，Newton 的 GPU 加速特性使其能够支持更高频率的交互和更大规模的并行采样。这对于需要大量环境交互的策略梯度方法（如 PPO、IMPALA）尤其有利。
项目今天更新的 "Implicit MPM" 功能进一步扩展了强化学习的应用场景。研究人员可以构建包含软体、颗粒材料等复杂物理现象的仿真环境，训练机器人与这些物理对象进行交互，如柔性物体抓取、可变形地形行走等。
数字孪生与离线规划
在工业应用中，Newton 的 OpenUSD 输出能力使其成为构建数字孪生系统的理想选择。工厂可以在虚拟环境中预先模拟机器人的运动轨迹和任务执行效果，验证操作的安全性和效率，然后将验证后的策略部署到真实机器人上。这种离线规划方法可以显著减少实际调试时间和潜在风险。
生物力学研究
Newton 的软体仿真和绳索仿真能力使其也可应用于生物力学研究。例如，研究者可以仿真人体肌肉、肌腱的运动特性，或者模拟动物（如灵长类）的运动模式以理解其进化适应机制。项目提供的多种传感器模型（如 IMU、触觉传感器）可以生成与真实传感器格式相同的数据，便于与实验数据进行对比分析。
教育与培训
对于机器人学教育而言，Newton 丰富的示例库和简洁的 Python API 使其成为优秀的教学工具。教师可以使用这些示例来演示物理仿真的基本概念，学生则可以通过修改示例代码来加深对物理模型和数值方法的理解。
与同类项目的对比
与 NVIDIA Warp 的关系
Warp 是 NVIDIA 开发的高性能物理模拟框架，Newton 可以被视为 Warp 的一个"超集"或扩展项目。Warp 提供了底层的基础设施，包括 CUDA 代码生成、内存管理和自动微分等；Newton 在此基础上添加了更丰富的物理求解器、机器人模型和用户友好的 API。从某种意义上说，Newton 代表了 Warp 物理仿真能力的一次系统化整合和扩展。
值得注意的是，Warp 的 warp.sim 模块已被官方标记为废弃，推荐用户迁移到 Newton。这种平滑的过渡策略既保护了现有用户的投资，又为项目的长期发展指明了方向。
与 MuJoCo 的对比
MuJoCo 是机器人仿真领域的老牌开源引擎，以其精确的接触动力学和高效的数值求解器著称。Newton 通过集成 MuJoCo Warp 获得了与 MuJoCo 类似的功能集，同时增加了 GPU 加速和与现代 GPU 计算工作流的兼容性。对于已经在使用 MuJoCo 的用户，Newton 提供了一个渐进式的迁移路径。
从性能角度来看，Newton 的 GPU 加速特性使其在处理大规模并行问题时具有优势。对于涉及大量粒子或需要高频仿真的场景（如强化学习训练），Newton 可能提供比纯 CPU 实现更高的吞吐量。
与 Isaac Sim 的对比
NVIDIA Isaac Sim 是另一个基于 NVIDIA 技术的机器人仿真平台，它构建在 Omniverse 之上，提供了更完整的机器人开发工具链，包括 RGBD 相机模拟、域随机化和合成数据生成等功能。相比之下，Newton 更专注于底层物理仿真和可微分化计算，而将可视化、域随机化等高级功能留给用户根据需要自行添加。
Isaac Sim 的优势在于其完整性和与 Omniverse 生态系统的集成，适合需要端到端机器人开发管线的工业用户。Newton 的优势则在于其轻量级、开源和高度可定制的特性，更适合需要在底层物理模型上进行创新研究的研究者。
与其他开源仿真引擎的比较
| 特性 | Newton | Isaac Sim | MuJoCo | Warp |
|---|---|---|---|---|
| 开源许可证 | Apache-2.0 | 专属 | Apache-2.0 | Apache-2.0 |
| GPU 加速 | 原生支持 | 原生支持 | CPU 实现 | 原生支持 |
| 可微分化 | 原生支持 | 部分支持 | 有限 | 原生支持 |
| OpenUSD 支持 | 原生 | 原生 | 无 | 无 |
| 机器人模型 | 丰富 | 丰富 | 丰富 | 基础 |
| 学习曲线 | 中等 | 较高 | 中等 | 中等 |
社区活跃度与发展趋势
代码提交与版本发布
从 GitHub 提交历史来看，Newton 项目保持着高度活跃的开发状态。今天（2026 年 3 月 21 日）就有多次提交，包括 "Implicit MPM: new physics, solvers, and discretization options" 这一重要功能更新。这种频繁的更新频率表明项目团队正在积极响应社区需求并持续推进项目发展。
项目目前有 14 个版本标签，说明已经经历了多轮正式版本发布。这种规范的版本管理对于用户跟踪项目进展和选择稳定版本非常重要。
社区贡献
项目的贡献者列表显示了来自多家机构的开发者，包括 NVIDIA 员工、Google DeepMind 研究员、Disney Research 科学家以及来自世界各地的开源贡献者。目前已知贡献者包括 @actions-user、@eric-heiden、@adenzler-nvidia、@shi-eric、@vreutskyy、@nvtw、@mmacklin 等 58 位贡献者，展示了良好的社区参与度。
发展方向展望
基于当前的开发趋势和技术路线，Newton 未来可能在以下几个方向继续发展：
-
更丰富的物理模型：随着 "Implicit MPM" 等功能的引入，Newton 正在扩展其物理仿真能力。未来可能看到更多高级物理模型的支持，如流体结构耦合、相变材料等。
-
与主流机器学习框架的深度集成：可微分化仿真是 Newton 的核心优势之一，未来可能看到与 PyTorch、 JAX 等框架更紧密的集成，降低强化学习研究的门槛。
-
云端和分布式仿真：随着仿真规模的增长，分布式计算和云端部署将成为重要需求。Newton 可能会增加对大规模并行集群和云服务的支持。
-
更多的机器人模型和任务：基于现有的机器人示例，Newton 可能会继续扩展其支持的机器人模型库，特别是来自宇书科技、Unitree 等厂商的最新机器人。
总结与展望
Newton 作为一款新兴的开源 GPU 加速物理仿真引擎，在技术深度和应用广度上都展现出了令人印象深刻的能力。项目由 Disney Research、Google DeepMind 和 NVIDIA 联合发起，这种顶级研究机构和科技公司的合作背景为项目奠定了坚实的技术基础。
从技术角度来看，Newton 成功地将 NVIDIA Warp 的高性能计算能力与 MuJoCo 的物理仿真精度相结合，并通过 OpenUSD 支持和可微分化计算实现了与现代机器人学习工作流的无缝对接。项目对多种物理现象（刚体、软体、布料、绳索、颗粒等）的支持以及丰富的机器人模型库使其成为一个通用的机器人仿真平台。
从社区角度来看，Newton 展示了开源协作的最佳实践。清晰的文档、规范的版本管理、活跃的代码更新和多元化的贡献者社区都预示着项目的长期健康发展潜力。项目采用 Linux Foundation 治理模式，为社区决策和长期发展提供了制度保障。
对于机器人研究者而言，Newton 提供了一个高性能且灵活的仿真环境，适用于算法开发、系统验证和强化学习训练等多种应用场景。项目对可微分化的原生支持使其特别适合需要进行参数优化或策略学习的研究工作。
展望未来，随着 GPU 计算能力的持续提升和机器人学习技术的快速发展，Newton 有望成为这一领域最重要的开源基础设施之一。对于希望在机器人仿真领域进行创新的研究者和开发者而言，Newton 绝对值得关注和尝试。
项目信息：
- GitHub：https://github.com/newton-physics/newton
- 许可证：Apache-2.0（代码），CC-BY-4.0（文档）
- 支持机构：Disney Research，Google DeepMind，NVIDIA
- 文档：https://newton-physics.github.io/newton/
联系方式：
- 问题反馈：GitHub Issues
- 讨论交流：GitHub Discussions
- 贡献指南：CONTRIBUTING.md
Comments