Skild AI veröffentlicht Steel: Physik-Simulations-Engine für Roboter als Open Source in Kooperation mit Nvidia

Um zu lernen, wie man Gegenstände greift und bewegt, muss ein Roboter Millionen Male üben – und diese Versuche finden zunächst in der Simulation statt. Skild AI, eines der profiliertesten Start-ups im Bereich Robotik, hat am 9. November seine bislang intern genutzte Physik-Simulations-Engine Steel als Open Source bereitgestellt, entwickelt in Kooperation mit Nvidia. Sie wird Teil von Newton, der offenen Physik-Engine, die federführend von Nvidia vorangetrieben wird, und lässt sich in Isaac Lab einsetzen, dem Robotik-Trainings-Framework desselben Herstellers.

Unterschiedliche Roboter im selben Batch simulieren

GPU-Simulatoren arbeiten hochgradig effizient, wenn sie ein und dieselbe Szene tausendfach klonen: denselben Roboter, dieselbe Aufgabe mit minimalen Variationen. Dies hat den Durchbruch bei der Lokomotion ermöglicht. Manipulationsaufgaben sind ungleich anspruchsvoller: Ein Arm, der sich im leeren Raum bewegt, eine Hand, die einen Würfel dreht, und ein Greifarm, der in einer unübersichtlichen Kiste wühlt, besitzen weder dieselbe Gelenkzahl noch identische Kontaktmuster. Werden solche Szenarien gemischt, müssen klassische Engines die einfacheren Szenen künstlich aufblähen („Padding“), um sie an die komplexeren anzupassen, was Rechenleistung und Speicher verschwendet.

Laut dem Blogbeitrag von Skild verteilt Steel die Berechnungen Umgebung für Umgebung, fasst Roboter mit ähnlicher Gelenkzahl zusammen und passt die Kontaktauflösung in jedem Zeitschritt an die Anforderungen der jeweiligen Szene an. Unter der Haube kombiniert das System die Gelenkdynamik nach Featherstone mit einer Kontaktlösung über projiziertes Gauss-Seidel, ohne dafür große Matrizen für Wechselwirkungen zwischen Nebenbedingungen aufzubauen.

Angekündigte Beschleunigung um das 3,8- bis 13-Fache

Die von Skild veröffentlichten Zahlen beziehen sich rein auf die Simulation auf einer RTX PRO 6000 Blackwell GPU. Bei 20 gängigen Robotik-Lernaufgaben erreicht Steel im Schnitt das 3,8-Fache des Durchsatzes von PhysX, Nvidias etablierter Engine, und etwa das 1,3-Fache von MuJoCo Warp; bei 19 von 20 Aufgaben arbeitet Steel schneller als PhysX. Bei heterogenen Batches vergrößert sich der Vorsprung deutlich: Werden 20 Aufgabentypen gemischt (Humanoide, Vierbeiner, Arme, Hände), skaliert Steel auf 3,9 Millionen Umgebungsschritte pro Sekunde, was dem 13-Fachen des für PhysX gemessenen Spitzenwerts entspricht. Bei identischer Batchgröße bleibt Steel 12-mal schneller und verbraucht rund 62 Prozent weniger GPU-Speicher.

Skild nennt dabei selbst eine wichtige Einschränkung: Isaac Sim 6.0 führte diese Mischungen mit PhysX bis zu 2,7-mal schneller aus als die für den Vergleich genutzte Version 6.1. Das relative Verhältnis hängt folglich von der gewählten Referenz ab.

Was bereits verfügbar ist

Der Solver steht in Newton unter dem Namen newton.solvers.SolverSteel bereit und ist aktuell noch als experimentell eingestuft: Optionen können sich ohne Vorankündigung ändern. Der Code steht unter der Apache-2.0-Lizenz im Repository skild-ai/steel, das auch auf eine WebGPU-Version verweist, mit der Demonstrationsszenen direkt im Browser ausprobiert werden können. Steel lässt sich zudem als Starrkörper-Komponente in gekoppelten Newton-Simulationen (Seile, Textilien, Sand, verformbare Körper) verwenden und bietet versuchsweise einen differenzierbaren Zeitschritt an.