3月30日，摩爾線程正式開源MuJoCo Warp MUSA。這是具身智能領(lǐng)域首個基于MUSA架構(gòu)的全功能GPU加速物理仿真后端，補齊了國產(chǎn)算力在強化學(xué)習(xí)仿真訓(xùn)練底層生態(tài)中的關(guān)鍵一環(huán)。

長期以來，大規(guī)模強化學(xué)習(xí)仿真訓(xùn)練高度依賴單一國際算力架構(gòu)。尤其在機器人運控訓(xùn)練場景中，物理仿真、并行環(huán)境調(diào)度與大規(guī)模訓(xùn)練任務(wù)對底層算力平臺和軟件棧提出了極高要求，國產(chǎn)算力在這一領(lǐng)域長期缺乏可用、完整的基礎(chǔ)支撐。

MuJoCo Warp MUSA的開源，標志著國產(chǎn)全功能GPU在強化學(xué)習(xí)仿真訓(xùn)練領(lǐng)域?qū)崿F(xiàn)了從無到有的突破。通過打通云側(cè)大規(guī)模訓(xùn)練與端側(cè)自研SoC芯片部署路徑，摩爾線程率先為機器人仿真領(lǐng)域提供了可落地、可驗證的全棧國產(chǎn)算力參考方案。該方案通過全鏈路并行加速與高效分布式擴展，在足式機器人運控訓(xùn)練任務(wù)中實現(xiàn)了相較CPU最高40倍的訓(xùn)練加速。

MuJoCo Warp MUSA：

為MuJoCo引入MUSA原生支持

MuJoCo（Multi-Joint dynamics with Contact）是由神經(jīng)科學(xué)家Emo Todorov開發(fā)、現(xiàn)由DeepMind維護的高精度物理引擎。憑借對多關(guān)節(jié)機器人、摩擦、碰撞、肌肉與電機驅(qū)動等復(fù)雜物理交互的穩(wěn)定模擬能力，MuJoCo已成為學(xué)術(shù)界與工業(yè)界廣泛使用的物理仿真平臺之一，OpenAI Gym、dm_control等標準模擬平臺均已集成MuJoCo作為物理仿真后端。

早期開源的MuJoCo主要基于CPU運行，在復(fù)雜接觸場景和海量強化學(xué)習(xí)樣本生成任務(wù)中，性能瓶頸較為明顯。為提升效率，MuJoCo團隊與國際主流GPU廠商合作，基于Warp編程語言推出了GPU加速版本MuJoCo Warp。

此次，摩爾線程為MuJoCo Warp增加了對MUSA架構(gòu)的原生支持，使MuJoCo物理引擎能夠直接調(diào)用摩爾線程全功能GPU，加速機器人物理仿真與強化學(xué)習(xí)訓(xùn)練任務(wù)。

圖注：MuJoCo Warp MUSA機器人仿真訓(xùn)練的階段性過程Viser回放。

關(guān)鍵測試結(jié)果

*更多測試結(jié)果可參見摩爾線程開發(fā)者公眾號

▼基礎(chǔ)單元測試：MuJoCo Warp MUSA與MuJoCo Warp CPU版本完成嚴格一致性對齊，單個仿真步長計算結(jié)果的絕對誤差控制在 1e-5 以內(nèi)，并通過 Viewer 可視化驗證，對比結(jié)果如下：

視頻：Humanoid GPU-CPU 對比測試，配置參數(shù)如下。

nbody:17

solver:NEWTON

iterations:10

integrator:EULER

視頻：LeRobot GPU-CPU 對比測試，配置參數(shù)如下。

nbody:10

solver:NEWTON

iterations:10

integrator:EULER

▼四足機器狗訓(xùn)練：在宇樹Go2四足機器狗平地運控任務(wù)中，MTT S5000單卡處理4096個仿真環(huán)境僅需7~8 秒，相較多核CPU的280~300秒，實現(xiàn)最高約40倍加速，單卡1小時完成收斂，大幅縮短了訓(xùn)練周期。

圖注：Go2機器狗平地環(huán)境運控，關(guān)鍵訓(xùn)練配置參數(shù)如下。

num environment:4096

solver:newton with PCG 10 iterations

ccd_iterations:50

num_steps_per_env:24

decimation:4

▼兩足人形機器人訓(xùn)練：在宇樹G1人形機器人動作跟蹤任務(wù)中，MTT S5000單卡約4.8天完成模仿學(xué)習(xí)收斂，驗證了MuJoCo Warp MUSA在高難度人形機器人任務(wù)中的穩(wěn)定性。

圖注：G1人形機器人動作跟蹤（Motion Tracking）訓(xùn)練實驗。

▼分布式GPU加速測試：在數(shù)據(jù)并行策略下，MuJoCo Warp MUSA支持多卡近線性擴展，8卡訓(xùn)練收斂加速達8倍以上，32卡最快約3.6小時完成訓(xùn)練。

圖注：G1人形機器人動作跟蹤訓(xùn)練，MTT S5000單卡與8卡訓(xùn)練結(jié)果對比。

圖注：分布式加速性能。表中“時間”為單步仿真耗時，“倍數(shù)”為訓(xùn)練收斂加速比。如上表所示，采用數(shù)據(jù)并行（Data Parallelism）策略：每張GPU運行4096個env環(huán)境，一共同時計算8×4096 = 32,768個env，進行分布式并行仿真，收斂速度隨GPU數(shù)量增加接近線性提升，而單次迭代耗時基本不變。

▼Sim2Real真機驗證：四足機器狗與兩足人形機器人均已完成真機驗證，訓(xùn)練策略可穩(wěn)定遷移至真實機器人，展現(xiàn)出良好的動作跟蹤精度、動態(tài)平衡能力與現(xiàn)實部署可行性。

圖注：兩足人形機器人真機驗證，高精度跟蹤舞蹈動作軌跡。

從訓(xùn)練到部署：

自研SoC芯片協(xié)同，打通云邊端

MuJoCo Warp MUSA的意義不僅在于訓(xùn)練加速，更在于進一步打通從仿真訓(xùn)練到真實部署的關(guān)鍵鏈路。

在真機部署階段，機器人本體采用摩爾線程自研的長江SoC芯片作為端側(cè)控制核心。該芯片不僅可以滿足基礎(chǔ)運控策略的實時執(zhí)行需求，也可支持語音 TTS、ASR、各類 CV 模型以及端側(cè)大模型部署。

通過“云側(cè)大規(guī)模訓(xùn)練加速 + 端側(cè)高效執(zhí)行部署”的協(xié)同，摩爾線程初步構(gòu)建起了從仿真訓(xùn)練到真機部署的完整閉環(huán)支持，也為具身智能終端提供了全棧的國產(chǎn)算力支撐。

圖注：正在進行策略部署調(diào)試中的機器狗，端側(cè)控制采用摩爾線程長江SoC芯片。

圖注：使用摩爾線程長江SoC芯片對機器狗進行端側(cè)控制的真機運行效果。

開源共建：

持續(xù)完善國產(chǎn)具身智能基礎(chǔ)設(shè)施

MuJoCo Warp MUSA 的開源，是摩爾線程在機器人仿真方向邁出的關(guān)鍵一步，也為國產(chǎn)具身智能生態(tài)補上了重要的底層能力。

通過提供自主可控的物理仿真加速方案，摩爾線程希望為開發(fā)者與科研機構(gòu)提供了更具可行性的國產(chǎn)技術(shù)底座，加速推動機器人從虛擬訓(xùn)練走向真實應(yīng)用。

后續(xù)，摩爾線程將持續(xù)優(yōu)化MUSA軟件棧，并計劃將當前成果進一步整合重構(gòu)為通用的機器人仿真訓(xùn)練平臺Lambda Lab，面向具身智能開發(fā)者持續(xù)推進開源共建。

MTT KUAE 開放試用申請：

https://metapark.mthreads.com/kuaetry

MuJoCo Warp MUSA開源地址：

https://github.com/MooreThreads/mujoco_warp_musa

*以上測試數(shù)據(jù)、視頻及圖片均來源于摩爾線程具身智能實驗室。

關(guān)于摩爾線程

摩爾線程以全功能GPU為核心，致力于向全球提供加速計算的基礎(chǔ)設(shè)施和一站式解決方案，為各行各業(yè)的數(shù)智化轉(zhuǎn)型提供強大的AI計算支持。

我們的目標是成為具備國際競爭力的GPU領(lǐng)軍企業(yè)，為融合人工智能和數(shù)字孿生的數(shù)智世界打造先進的加速計算平臺。我們的愿景是為美好世界加速。