Skild AI rende open source Steel, il suo motore di simulazione fisica per robot progettato con Nvidia

Per imparare a manipolare gli oggetti, un robot deve compiere milioni di tentativi, e queste prove si svolgono prima di tutto in simulazione. Skild AI, una delle startup più in vista nel settore della robotica, ha rilasciato questo 9 novembre in open source Steel, il motore di simulazione fisica finora impiegato internamente e sviluppato a quattro mani con Nvidia. Il componente entra a far parte di Newton, il motore fisico aperto sostenuto in particolare da Nvidia, e si integra con Isaac Lab, il framework di addestramento robotico della stessa azienda californiana.

Simulare robot diversi nello stesso batch

I simulatori su GPU risultano estremamente efficienti quando replicano migliaia di volte la medesima scena: lo stesso robot, lo stesso compito, con minime variazioni. Questo approccio ha guidato i progressi della locomozione. La manipolazione pone però vincoli ben più complessi: un braccio che si muove nel vuoto, una mano che ruota un cubo o un manipolatore che rovista in un contenitore ingombro non condividono né il numero di articolazioni, né la tipologia di contatti. Raggruppare queste scene costringe i motori tradizionali a eseguire un «padding» su quelle più semplici per allinearle a quelle più complesse, sprecando capacità di calcolo e memoria.

Secondo il post di Skild, Steel distribuisce il carico ambiente per ambiente, raggruppa i robot con un numero simile di articolazioni e dimensiona la risoluzione dei contatti in base alle reali necessità di ogni scena a ciascun passo. Sotto il cofano, abbina la dinamica articolare di Featherstone alla risoluzione dei contatti tramite Gauss-Seidel proiettato, evitando di costruire pesanti matrici per le interazioni tra vincoli.

Incrementi dichiarati da 3,8 a 13 volte

I dati comunicati da Skild riguardano la sola fase di simulazione, esaminata su una GPU RTX PRO 6000 Blackwell. Su 20 compiti classici di apprendimento robotico, Steel fa registrare in media geometrica 3,8 volte il throughput di PhysX, lo storico motore di Nvidia, e circa 1,3 volte quello di MuJoCo Warp; risulta inoltre più rapido di PhysX su 19 scenari su 20. Il vantaggio si amplifica nei batch eterogenei: mescolando 20 tipologie di task (umanoidi, quadrupedi, bracci, mani), Steel raggiunge 3,9 milioni di passi al secondo, ovvero 13 volte il picco misurato con PhysX. A parità di dimensione del batch, rimane 12 volte più veloce, assorbendo circa il 62% in meno di memoria GPU.

La stessa Skild solleva un dettaglio metodologico non trascurabile: la versione 6.0 di Isaac Sim gestiva questi mix con PhysX fino a 2,7 volte più velocemente rispetto alla versione 6.1 usata come riferimento. I rapporti di forza dipendono quindi strettamente dalla baseline scelta.

Cosa è disponibile

Il solutore è fruibile all’interno di Newton con l’identificativo newton.solvers.SolverSteel, con dicitura sperimentale: le opzioni di configurazione possono ancora subire variazioni senza preavviso. Il codice è distribuito con licenza Apache 2.0 all’interno del repository skild-ai/steel, che rimanda anche a una versione WebGPU per interagire con scene di prova direttamente via browser. Steel supporta inoltre la simulazione di parti rigide nei contesti accoppiati di Newton (cavi, tessuti, sabbia, corpi deformabili) e offre, ancora in via sperimentale, un passo differenziabile.