newton-physics/newton
An open-source, GPU-accelerated physics simulation engine built upon NVIDIA Warp, specifically targeting roboticists and simulation researchers.
Python · ★ 4,225 · Fork 432 · 在 GitHub 查看
在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→
GitHub Trending 上榜记录
newton-physics/newton 已在 GitHub Trending 每日榜单上榜 6 天,最高排名第 4,首次上榜 2026-03-18,最近一次上榜 2026-04-09。
| 日期 | 排名 | Star | 当日增长 |
|---|---|---|---|
| 2026-04-09 | #8 | 4,225 | +91 |
| 2026-04-08 | #8 | 4,051 | +67 |
| 2026-03-21 | #6 | 3,557 | +266 |
| 2026-03-20 | #6 | 3,445 | +267 |
| 2026-03-19 | #7 | 3,199 | +345 |
| 2026-03-18 | #4 | 2,884 | +20 |
同期上榜的项目
- NousResearch/hermes-agent – The agent that grows with you
- forrestchang/andrej-karpathy-skills – A single CLAUDE.md file to improve Claude Code behavior, derived from Andrej Karpathy's observations on LLM coding pitfalls.
- HKUDS/DeepTutor – DeepTutor: Lifelong Personalized Tutoring. https://deeptutor.info/.
- OpenBMB/VoxCPM – VoxCPM2: Tokenizer-Free TTS for Multilingual Speech Generation, Creative Voice Design, and True-to-Life Cloning
- opendataloader-project/opendataloader-pdf – PDF Parser for AI-ready data. Automate PDF accessibility. Open-source.
- obra/superpowers – An agentic skills framework & software development methodology that works.
Newton 项目深度剖析与商业评估报告
Newton 项目深度剖析与商业评估报告
1. 核心定位与商业落地价值
根本痛点: 机器人学习与仿真研究领域长期面临"物理精度"与"计算效率"不可兼得的困境。传统CPU物理引擎(如MuJoCo、Bullet)虽然精度尚可,但面对大规模并行环境采样(如强化学习所需的数千个并行环境)时力不从心;而现有GPU方案(如Isaac Gym)则存在封闭生态、可扩展性差、不易集成现代可微编程范式等结构性缺陷。Newton正是为弥合这一鸿沟而生。
商业落地场景: 具身智能/机器人基础模型训练:这是最核心的商业场景。Newton支持在GPU上并行模拟数千个机器人实例,配合其可微物理特性,可直接服务于大规模强化学习(RL)和模仿学习的数据生成管线,显著降低训练成本。 工业级数字孪生与自动化验证:通过OpenUSD支持,可无缝对接NVIDIA Omniverse生态,用于工厂自动化、机器人单元部署前的虚拟调试(VILT),大幅缩短产线集成周期。 高精度操作技能迁移:其刚体-软体-流体(MPM)多物理耦合能力,为精密操作(如线束插拔、线缆整理、布料折叠)提供了远超传统刚体引擎的保真度,是物流、3C装配等行业的自动化方案验证利器。
差异化护城河: "三巨头"背书与中立治理:由Disney Research、Google DeepMind、NVIDIA三方发起,并归属Linux Foundation管理。这意味着它避免了单一厂商锁定风险,并拥有顶级研究机构的持续投入,这在开源仿真引擎中独树一帜。 可微性与GPU原生:不同于MuJoCo的CPU XLA/ JAX路线,Newton在NVIDIA Warp之上构建,天然支持端到端可微,这是进行轨迹优化、系统辨识等高级研究的必要条件。 生态位卡位:它并非简单的"又一个引擎",而是将MuJoCo Warp(DeepMind)的精度、Warp(NVIDIA)的GPU性能以及Disney的物理研究积累(如VBD、MPM)融合,形成了对纯开源(MuJoCo)和纯商业(Isaac Lab)的双向竞争优势。
2. 核心架构设计与技术深度
模块拆解思想: Newton采用分层抽象 + 后端可插拔的架构模式。 表现层(API Layer):面向用户的Pythonic API,强调声明式场景构建(通过USD)和命令式控制(如关节驱动)。 抽象层(Abstraction Layer):定义统一的 Model 和 State 结构,将物理描述(质量、惯性、约束)与具体求解器解耦。 后端层(Backend Layer):这是架构精髓所在。默认后端为 mujocowarp,负责处理刚性关节动力学与接触;同时通过 warp.sim 的泛化,支持MPM(物质点法)、VBD(基于变分隐式)软体、布料等连续介质力学求解器。这种设计允许同一套上层代码无缝切换不同物理精度和计算特性的后端。
核心链路数据流向: 1. 场景编译:用户通过USD或Python API构建的物理场景,被编译为后端无关的 Model 数据结构。 2. 状态管理:State 对象在GPU显存中持有所有刚体、软体粒子的位置、速度、质量等张量数据。 3. 图编译与内核融合:Newton依赖Warp的JIT编译,将Python描述的前向动力学、约束求解、碰撞检测等逻辑编译为CUDA内核。这避免了Python解释器开销,实现接近原生的GPU性能。 4. 可微反向传播:在 State 更新过程中构建计算图,通过Warp的自动微分能力,在求解完成后直接获取物理量对控制输入或环境参数的梯度。
在 README 中展示上榜徽章
[](https://github.fq6825.top/repo/newton-physics/newton)