Skild AI ouvre Steel, son moteur de simulation physique pour robots, conçu avec Nvidia

Pour apprendre à manipuler des objets, un robot doit s’entraîner des millions de fois, et ces essais se font d’abord en simulation. Skild AI, l’une des jeunes pousses les plus en vue de la robotique, publie ce 9 novembre en open source Steel, le moteur de simulation physique qu’elle utilisait en interne, développé avec Nvidia. Il rejoint Newton, le moteur physique ouvert porté notamment par Nvidia, et s’utilise avec Isaac Lab, le cadre d’entraînement de robots du même Nvidia.

Simuler des robots différents dans le même lot

Les simulateurs sur GPU sont très efficaces quand ils copient des milliers de fois la même scène : le même robot, la même tâche, avec quelques variations. C’est ce qui a permis les progrès de la locomotion. La manipulation est plus exigeante : un bras dans le vide, une main qui fait tourner un cube et un bras qui fouille un bac encombré n’ont ni le même nombre d’articulations, ni les mêmes contacts. Mélanger ces scènes oblige les moteurs classiques à « remplir » les plus simples pour les aligner sur les plus lourdes, ce qui gaspille calcul et mémoire.

Selon le billet de Skild, Steel répartit le travail environnement par environnement, regroupe les robots qui ont un nombre d’articulations voisin et dimensionne la résolution des contacts selon les besoins de chaque scène à chaque pas. Sous le capot, il associe la dynamique articulaire de Featherstone à une résolution des contacts par Gauss-Seidel projeté, sans construire de grande matrice des interactions entre contraintes.

Des gains annoncés de 3,8 à 13 fois

Les chiffres publiés par Skild portent sur la simulation seule, sur un GPU RTX PRO 6000 Blackwell. Sur 20 tâches classiques d’apprentissage robotique, Steel atteint en moyenne 3,8 fois le débit de PhysX, le moteur historique de Nvidia, et environ 1,3 fois celui de MuJoCo Warp ; il est plus rapide que PhysX sur 19 tâches sur 20. L’écart se creuse sur les lots hétérogènes : en mélangeant 20 types de tâches (humanoïdes, quadrupèdes, bras, mains), Steel monte à 3,9 millions de pas par seconde, soit 13 fois le maximum mesuré pour PhysX. À taille de lot égale, il reste 12 fois plus rapide et consomme environ 62 % de mémoire GPU en moins.

Skild signale lui-même une nuance importante : la version 6.0 d’Isaac Sim faisait tourner ces mélanges avec PhysX jusqu’à 2,7 fois plus vite que la version 6.1, utilisée pour la comparaison. Les ratios dépendent donc de la référence choisie.

Ce qui est disponible

Le solveur est accessible dans Newton sous le nom newton.solvers.SolverSteel, encore marqué expérimental : ses options peuvent changer sans préavis. Le code est sous licence Apache 2.0, présenté dans le dépôt skild-ai/steel, qui renvoie aussi vers une version WebGPU permettant de manipuler des scènes de démonstration dans un navigateur. Steel sait aussi servir de partie rigide dans les simulations couplées de Newton (câbles, tissus, sable, corps mous) et propose, à titre expérimental, un pas différentiable.