Kamino: GPU-based Massively Parallel Simulation of Multi-Body Systems with Challenging Topologies
作者: Vassilios Tsounis, Guirec Maloisel, Christian Schumacher, Ruben Grandia, Agon Serifi, David Müller, Chris Amevor, Tobias Widmer, Moritz Bächer
分类: cs.RO
发布日期: 2026-03-17
💡 一句话要点
Kamino：基于GPU的大规模并行多体系统仿真，支持复杂拓扑结构
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 多体系统仿真 GPU并行计算 约束优化 非线性互补问题 机器人控制 强化学习 运动学环
📋 核心要点
- 现有方法在处理具有复杂拓扑结构（如运动学环）的多体系统时，通常采用近似简化，牺牲了仿真精度。
- Kamino通过原生支持复杂耦合，采用约束优化算法求解非线性互补问题，实现高保真接触动力学仿真。
- 实验表明，Kamino能够在单个GPU上并行仿真数千个环境，并成功训练具有复杂运动学环的双足机器人行走策略。
📝 摘要（中文）
本文提出Kamino，一个基于GPU的物理求解器，用于大规模并行仿真异构且高度耦合的机械系统。Kamino使用NVIDIA Warp在Python中实现，并集成到Newton框架中，从而能够将数据驱动方法（如大规模强化学习）应用于具有强耦合运动学和动力学约束（如运动学环）的复杂机器人系统。传统方法通常通过将系统拓扑近似为运动学树，并结合显式环闭合约束或所谓的模仿关节来规避这些问题。Kamino旨在通过原生支持这些类型的耦合来减轻这种负担。这种能力促进了高吞吐量的并行仿真，能够捕捉利用闭合运动链实现机械优势的机械系统的真实特性。此外，Kamino支持异构世界，允许在单个GPU上批量仿真结构不同的机器人。其核心是一种最先进的约束优化算法，通过求解非线性互补问题来计算约束刚性多体前向动力学中的约束力。这实现了高保真仿真，可以解决接触动力学问题，而无需采用简化和/或凸化问题的近似模型。我们展示了在DR Legs（一种具有六个嵌套运动学环的双足机器人）上进行强化学习策略训练，在单个GPU上仿真4096个并行环境的同时，生成可行的行走策略。
🔬 方法详解
问题定义：论文旨在解决复杂多体系统仿真中，由于存在运动学环等复杂拓扑结构，导致仿真精度降低和计算效率受限的问题。现有方法通常通过简化模型或引入近似约束来规避这些问题，无法真实反映系统的动力学特性。
核心思路：Kamino的核心思路是采用基于约束优化的方法，直接求解包含复杂约束的多体系统动力学方程。通过将问题转化为非线性互补问题（NCP），可以精确计算约束力，从而实现高保真仿真。同时，利用GPU的大规模并行计算能力，加速仿真过程。
技术框架：Kamino的整体框架包括以下几个主要模块：1）系统建模：使用Newton框架描述多体系统的结构和参数。2）动力学方程构建：根据系统模型，构建包含约束的刚性多体前向动力学方程。3）非线性互补问题求解：采用约束优化算法求解NCP，计算约束力和系统状态。4）GPU并行加速：利用NVIDIA Warp在GPU上实现大规模并行仿真。
关键创新：Kamino最重要的技术创新在于原生支持复杂拓扑结构，无需对系统进行简化或近似。通过将动力学仿真问题转化为NCP，并采用高效的约束优化算法，实现了高精度和高效率的仿真。此外，Kamino还支持异构世界的并行仿真，允许在单个GPU上同时仿真结构不同的机器人。
关键设计：Kamino的关键设计包括：1）使用NVIDIA Warp实现GPU加速，充分利用GPU的并行计算能力。2）采用合适的约束优化算法求解NCP，例如投影梯度法或内点法。3）设计高效的数据结构和内存管理策略，以支持大规模并行仿真。4）针对不同的机器人系统，需要仔细调整约束优化算法的参数，以保证仿真的稳定性和精度。
🖼️ 关键图片
📊 实验亮点
Kamino在DR Legs双足机器人上的实验结果表明，它能够在单个GPU上并行仿真4096个环境，并成功训练出可行的行走策略。DR Legs具有六个嵌套的运动学环，这证明了Kamino处理复杂拓扑结构的能力。与传统的基于简化模型的仿真方法相比，Kamino能够提供更准确的仿真结果，并加速强化学习策略的训练过程。
🎯 应用场景
Kamino的应用场景广泛，包括机器人设计与控制、虚拟现实、游戏开发、生物力学仿真等。它可以用于训练复杂机器人的控制策略，例如双足机器人、四足机器人和多关节机械臂。此外，Kamino还可以用于研究生物系统的运动机制，例如人体运动和动物运动，并为游戏和虚拟现实应用提供更真实的物理交互。
📄 摘要（原文）
We present Kamino, a GPU-based physics solver for massively parallel simulations of heterogeneous highly-coupled mechanical systems. Implemented in Python using NVIDIA Warp and integrated into the Newton framework, it enables the application of data-driven methods, such as large-scale reinforcement learning, to complex robotic systems that exhibit strongly coupled kinematic and dynamic constraints such as kinematic loops. The latter are often circumvented by practitioners; approximating the system topology as a kinematic tree and incorporating explicit loop-closure constraints or so-called mimic joints. Kamino aims at alleviating this burden by natively supporting these types of coupling. This capability facilitates high-throughput parallelized simulations that capture the true nature of mechanical systems that exploit closed kinematic chains for mechanical advantage. Moreover, Kamino supports heterogeneous worlds, allowing for batched simulation of structurally diverse robots on a single GPU. At its core lies a state-of-the-art constrained optimization algorithm that computes constraint forces by solving the constrained rigid multi-body forward dynamics transcribed as a nonlinear complementarity problem. This leads to high-fidelity simulations that can resolve contact dynamics without resorting to approximate models that simplify and/or convexify the problem. We demonstrate RL policy training on DR Legs, a biped with six nested kinematic loops, generating a feasible walking policy while simulating 4096 parallel environments on a single GPU.