A NVIDIA publicou um guia prático para acelerar simulações de robótica com Warp e MuJoCo Warp (MJWarp). O artigo, publicado a 23 de setembro de 2026 na Hugging Face, descreve a preparação de uma simulação do braço robótico SO-101 para até 2.048 ambientes paralelos. Os autores sublinham que o exemplo prepara e escala a simulação, mas não treina uma política de controlo. A publicação integra uma série sobre simulação para inteligência artificial física.

O ponto de partida é o NVIDIA Warp, uma estrutura de programação que permite escrever kernels — pequenos programas executados em paralelo — em Python. Segundo o artigo, o Warp compila esses kernels para execução em CPU ou CUDA. O texto apresenta um exemplo simples em que cada unidade de execução atualiza a posição de um ponto sob o efeito da gravidade, e destaca o desempenho, a facilidade de utilização e a possibilidade de integrar kernels diferenciáveis em fluxos de aprendizagem automática.

O MJWarp aplica essa abordagem à física do MuJoCo, levando modelos compatíveis para execução em GPU e em lotes de ambientes. A proposta responde a uma mudança de escala: em vez de se perguntar apenas quão depressa corre uma simulação, pode procurar-se avançar muitos mundos virtuais em simultâneo. O artigo indica que o MJWarp usa o mesmo formato de descrição de modelos, MJCF, e apresenta a execução em GPU como uma opção para aumentar o número de ambientes simulados em paralelo.

O guia também aborda aspetos práticos da gestão de dados. Uma matriz Warp em CUDA convertida através de `.numpy()` é sincronizada e copiada para a CPU, pelo que essa operação não constitui um caminho sem cópias. Para manter dados na GPU em conjunto com PyTorch ou JAX, os autores recomendam adaptadores próprios ou partilha compatível com DLPack. O artigo refere ainda que a captura de operações CUDA em grafos pode reduzir custos de despacho repetido, mas não combina automaticamente kernels arbitrários.

A publicação distingue o MJWarp de outras opções: aponta o MuJoCo em CPU para controlo remoto ou controlo preditivo de um único robô, e identifica o Newton como uma camada futura de integração com vários motores e Isaac Lab. Estas recomendações são apresentadas pelos autores do artigo, não como uma comparação independente. O texto menciona também capacidades de diferenciabilidade e execução determinística do Warp, mas esclarece que não são usadas no fluxo de trabalho do SO-101 descrito.

O contributo central do guia é mostrar uma via para preparar simulações existentes para execução paralela em GPU e explicar decisões de implementação que podem afetar o desempenho. O artigo enquadra o exemplo como preparação e escalabilidade da simulação, deixando para etapas posteriores da série a integração com outras ferramentas. Para equipas de robótica, apresenta um fluxo de trabalho concreto com Warp e MJWarp, incluindo aspetos de execução e transferência de dados.

Porque importa

Simular muitos ambientes em paralelo pode ser útil em fluxos de robótica e aprendizagem automática. O guia mostra como abordar essa escala com Warp e MJWarp e assinala aspetos práticos da transferência de dados, deixando claro que o exemplo não inclui o treino de um controlador.

Fontes

How to Use NVIDIA Warp and MjWarp to Accelerate Robotics Simulation and Learning WorkflowsHugging Face ↗