Newton ซึ่งเป็นเครื่องมือจำลองฟิสิกส์จาก NVIDIA และ Disney เข้าร่วมกับ Linux Foundation

เครื่องยนต์ฟิสิกส์นิวตันจากดิสนีย์ Google DeepMind

มีการเปิดเผยเมื่อเร็ว ๆ นี้ผ่านโพสต์บล็อกว่า เครื่องจำลองฟิสิกส์ของนิวตันเครื่องมืออันทรงพลังที่พัฒนาร่วมกันโดย NVIDIA, Disney Research และ Google DeepMind ได้ก้าวไปอีกขั้นด้วยการโอนไปยังมูลนิธิ Linux.

การเคลื่อนไหวเชิงกลยุทธ์นี้ มุ่งหวังที่จะสร้างความเติบโตในฐานะโครงการแบบเปิดเป็นอิสระและร่วมมือกัน ปราศจากการควบคุมเฉพาะของบริษัทเทคโนโลยีขนาดใหญ่

ด้วยการเปลี่ยนแปลงนี้ นิวตันจึงกลายเป็นแพลตฟอร์มที่เข้าถึงได้สำหรับนักวิจัย นักพัฒนา และบริษัทต่างๆ ทั่วโลก ผู้เข้าร่วมรายใหม่ ได้แก่ Lightwheel, Style3D และผู้เชี่ยวชาญทางวิชาการจากมหาวิทยาลัยมิวนิกและมหาวิทยาลัยปักกิ่ง

การจำลองขั้นสูงและปรับขนาดได้สำหรับหุ่นยนต์แห่งอนาคต

สำหรับผู้ที่ยังไม่รู้จักนิวตัน คุณควรทราบว่าโครงการนี้ ได้รับการออกแบบมาเพื่อมอบการจำลองฟิสิกส์ที่รวดเร็ว แม่นยำ และปรับขนาดได้โดยเฉพาะอย่างยิ่งมุ่งเน้นไปที่การวิจัยด้านหุ่นยนต์

เครื่องยนต์ของมันช่วยให้ จำลองพฤติกรรมที่ซับซ้อน เช่น การเดินบนพื้นผิวที่เปลี่ยนรูปได้ การโต้ตอบกับวัตถุที่เปราะบาง หรือการจัดการสภาพแวดล้อมที่สมจริงอย่างแม่นยำ

จุดแข็งหลักประการหนึ่งของโครงการอยู่ที่ ความสามารถในการควบคุมพลังของ GPUซึ่งช่วยเพิ่มความเร็วในการคำนวณและช่วยให้จำลองสถานการณ์ได้สมจริงยิ่งขึ้นในเวลาที่น้อยลง นอกจากนี้ สถาปัตยกรรมแบบโมดูลาร์ยังช่วยให้สามารถผสานรวมส่วนประกอบใหม่หรืออัลกอริทึมที่กำหนดเองได้ทันที

“การที่นิวตันเข้าร่วมกับมูลนิธิลินุกซ์ถือเป็นก้าวสำคัญในการปรับขนาดการจำลองหุ่นยนต์แบบร่วมมือ เร่งการพัฒนา ลดต้นทุน และนำเราเข้าใกล้อนาคตของการจำลองหุ่นยนต์ในโลกแห่งความเป็นจริงมากขึ้น” จิม เซมลิน ผู้อำนวยการบริหารของมูลนิธิลินุกซ์กล่าว “เรามีความยินดีที่ได้ต้อนรับนิวตัน และมอบการกำกับดูแลที่เป็นกลาง ซึ่งชุมชนทั่วโลกต้องการเพื่อสร้างอนาคตของหุ่นยนต์อเนกประสงค์”

คุณสมบัติหลัก

  • เร่งความเร็ว GPU:ใช้ประโยชน์จาก NVIDIA Warp เพื่อการจำลองที่รวดเร็วและปรับขนาดได้
  • การใช้งานตัวแก้ปัญหาหลายตัว: XPBD, VBD, MuJoCo, Featherstone, Euler
  • การออกแบบโมดูลาร์: ขยายได้ง่ายด้วยตัวแก้ปัญหาและส่วนประกอบใหม่
  • ความแตกต่างได้:รองรับการจำลองแบบแยกความแตกต่างสำหรับการเรียนรู้และการเพิ่มประสิทธิภาพของเครื่องจักร
  • การนำเข้า/ส่งออกที่เข้มข้น:โหลดโมเดลจาก URDF, MJCF, USD และอื่นๆ
  • โอเพ่นซอร์ส:ได้รับการดูแลโดย Disney Research, Google DeepMind และ NVIDIA

เทคโนโลยีหลัก: NVIDIA Warp และ OpenUSD

เพื่อเพิ่มประสิทธิภาพการสร้างแบบจำลองเชิงพื้นที่และการคำนวณโดยใช้ GPU นิวตันใช้เฟรมเวิร์ก NVIDIA Warpออกแบบมาเพื่องานจำลองที่เน้นประสิทธิภาพการทำงานสูง ในทางกลับกันก็ใช้แพลตฟอร์ม OpenUSD (คำอธิบายฉากสากล) สำหรับการแสดงโครงสร้างของข้อมูลลำดับชั้นที่ประกอบเป็นฉากกราฟิกแต่ละฉาก

การผสมผสานทางเทคโนโลยีนี้ช่วยให้เวิร์กโฟลว์มีประสิทธิภาพ โดยมีการทำงานร่วมกันได้ระหว่างเครื่องมือสร้างแบบจำลองและการเรนเดอร์ที่แตกต่างกัน ขยายความเป็นไปได้ในการใช้งานในภาคส่วนต่างๆ เช่น แอนิเมชัน ความจริงเสริม หุ่นยนต์ และการวิจัยทางวิทยาศาสตร์

แบ็กเอนด์หลายตัวและการจำลองแบบแยกความแตกต่างได้

นิวตันไม่ได้จำกัดอยู่เพียงวิธีการแก้ปัญหาเพียงวิธีเดียว ให้การสนับสนุนสำหรับแบ็กเอนด์หรือตัวแก้ปัญหาทางฟิสิกส์ต่างๆรวมถึง Euler, Featherstone, ImplicitMPM, SemiImplicit, Style3D, VBD และ XPBD แบ็กเอนด์หลักใช้ MuJoCo ซึ่งได้รับการยอมรับว่ามีความแม่นยำในการจำลองไดนามิกของการสัมผัสแบบหลายจุด

นอกจากนี้แล้ว เครื่องยนต์รองรับการจำลองแบบแยกความแตกต่างได้ฟีเจอร์ขั้นสูงที่ช่วยให้คุณคำนวณอนุพันธ์และใช้วิธีการไล่ระดับได้ สิ่งสำคัญคือต้องเพิ่มประสิทธิภาพพารามิเตอร์และปรับเปลี่ยนโมเดลทางกายภาพ หรือฝึกอบรมระบบปัญญาประดิษฐ์และหุ่นยนต์อัตโนมัติในสภาพแวดล้อมเสมือนจริง นิวตันยังนำเสนอการแสดงภาพแบบเรียลไทม์ ช่วยให้คุณสังเกตพฤติกรรมของแบบจำลองขณะที่ตัวแปรต่างๆ ถูกปรับเปลี่ยน

การย้ายของนิวตันไปยังมูลนิธิ Linux ถือเป็นมากกว่าการเปลี่ยนแปลงด้านการบริหาร หากแต่เป็นการเปิดประตูสู่นวัตกรรมร่วมกัน ด้วยฐานโค้ดแบบโอเพนซอร์สและชุมชนที่กำลังขยายตัว เอนจิ้นนี้จึงมีแนวโน้มที่จะกลายเป็นเครื่องมือสำคัญสำหรับวิทยาการหุ่นยนต์สมัยใหม่ การเรียนรู้ของเครื่อง และการจำลองทางฟิสิกส์ขั้นสูง

สุดท้ายนี้ สิ่งที่ควรกล่าวถึงก็คือ สำหรับผู้ที่สนใจในเครื่องมือฟิสิกส์นี้ ควรทราบว่า โค้ดเอนจิ้นที่เขียนด้วย Python ได้รับการเผยแพร่ภายใต้ใบอนุญาต Apache 2.0ซึ่งเอื้อต่อการนำไปใช้งานทั้งในด้านวิชาการและอุตสาหกรรม นอกจากนี้ยังสามารถปฏิบัติตามคำแนะนำในการติดตั้งที่ให้ไว้ใน ลิงค์ต่อไป.

หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับเรื่องนี้ คุณสามารถตรวจสอบรายละเอียดได้ใน ลิงค์ต่อไป.