Genesis

Starrkörper, Finite-Elemente-Methode, Material-Point-Methode, Partikelsolver und Fluidsimulation liegen in einer Szene mit geteiltem Zustand. Ein Roboterarm kann einen starren Block umstoßen, einen weichen Stoff ziehen und Flüssigkeit vergießen, alles im selben Durchlauf. Ohne Daten zwischen getrennten Werkzeugen zu verschieben. Das Koppeln verschiedener Materialtypen ist die Stelle, an der die meisten Simulatoren schmerzen, und Genesis behandelt sie als Standardfall statt als Sondermodus, den Sie konfigurieren müssen. Das spart Ihnen die Stunden, die Sie sonst damit verbringen, Zustand zwischen getrennten Physik-Werkzeugen zu transportieren, von denen jedes sein eigenes Szenenformat erwartet.

Genesis liefert einen eigenen Renderer mit, Nyx, gebaut für Robotik und nicht für Film. Sie hängen ihn als Kamerasensor an, sodass gerenderte Bilder wie jede andere Beobachtung in Ihre Trainingspipeline fließen. Kein Exportschritt. Luisa und Pyrender stehen als Alternativen bereit, wenn Sie einen Raytracer oder einen leichten Rasterizer brauchen.

Der Quadrants-Compiler senkt Python-Kernel-Code auf CUDA, AMD ROCm, Apple Metal, Vulkan, x86 und ARM64 ab. Sie schreiben Python. Dieselbe Szene läuft dann auf einem Laptop-Kernel oder verteilt sich über Rechenzentrums-GPUs, und genau das macht Simulation zu einem praktischen Weg, Trainingsdaten in großem Maßstab zu erzeugen.

Der ganze Stack ist Python, einschließlich des Parsings von URDF-, MJCF-, OBJ-, GLB- und USD-Assets. In der Praxis arbeitet er als Python-Robotik-Simulator: Sie bekommen Entity-Zugriffe, Controller, Sensoren und parallele heterogene Umgebungen über eine API. Den Quellcode zu lesen und zu patchen ist die Norm, kein Nachgedanke, denn die gesamte Engine kommt als lesbarer Code, den Sie erweitern können, wenn das eingebaute Verhalten nicht zu Ihrem Experiment passt.

Eine GUI lässt Sie Szenen inspizieren und sehen, was passiert, ohne für jede Debug-Runde Visualisierungscode zu schreiben. Sie ist ein Diagnosewerkzeug, kein vollständiger Umgebungseditor, also rechnen Sie damit, den Großteil Ihrer Welt in Python zu definieren. Praktisch für Stichproben. Kein Ersatz für Code. Praktisch für Stichproben. Kein Ersatz für Code.

Sie können viele Umgebungen gleichzeitig laufen lassen und verschiedene Szenenkonfigurationen in einer Simulation mischen, was bedeutet, dass eine Reinforcement-Learning-Schleife Erfahrung aus Dutzenden leicht unterschiedlicher Varianten derselben Aufgabe zieht, ohne zwischen Läufen etwas neu zu starten. Für Reinforcement Learning heißt das mehr Erfahrung pro Sekunde und weniger Betreuung einzelner Läufe. Das summiert sich schnell.