應用 NVIDIA Warp 與 MjWarp 加速機器人模擬與學習工作流程
為何重要
此舉讓研究人員得以兼顧模擬的效能與可重現性，利用 GPU 追趕物理 AI 訓練所需的海量資料。確定性模式對發展嚴謹的機器人控制策略至關重要，而 CUDA 圖捕捉則有助於在深度 RL 訓練場景中最大化資料吞吐。
NVIDIA Warp 是一個用於編寫高執行效能 GPU 核心的 Python 框架，能將傳統機器人模擬從 CPU 擴充套件至 GPU 並行運算；MuJoCo Warp (MJWarp) 則是基於此實現物理管線的方案。
啟用此方案後，研究人員可以將 2,048 個並行的 MJWarp 環境 同時運作於 GPU 上，以提升聚合吞吐量。
Warp 具備確定性執行（需版本 ≥ 1.15）、CUDA 圖捕捉 以及梯度可微分特性，能有效降低機器人訓練與驗證的工作負擔。