A NVIDIA publicou em 23 de setembro de 2026, no blog do Hugging Face, um guia técnico sobre como usar o NVIDIA Warp e o MuJoCo Warp (MJWarp) para acelerar fluxos de simulação e aprendizado em robótica. O texto é assinado por Johnny Nuñez Cano, Asier Arranz, Rishabh Chadha e Ben Oliveri.
É o segundo capítulo da série State of Simulation for Physical AI. O primeiro mapeou o panorama da simulação de robôs.
O fio condutor é uma tarefa concreta: tirar o braço robótico SO-101 de um fluxo familiar de MuJoCo e levá-lo a até 2.048 ambientes MJWarp rodando em paralelo.
Do cpu para a GPU
O ponto de partida é o MuJoCo clássico. Ele simula robôs em CPU com boa velocidade e paraleliza amostragens entre núcleos do processador.
O problema aparece quando as cargas de aprendizado crescem. A pergunta deixa de ser com que rapidez um único mundo simulado avança.
Passa a ser quantos mundos podem avançar ao mesmo tempo. A aceleração por GPU responde a essa mudança ao permitir que os mundos sejam processados em grandes lotes, com dados de simulação e de aprendizado próximos do dispositivo.
O MJWarp, construído sobre o NVIDIA Warp, transporta modelos MuJoCo compatíveis para esse regime de escala.
Como a pilha técnica se organiza
A figura que abre o artigo mostra a ligação entre Python e a simulação em GPU. O MuJoCo carrega e compila o modelo MJCF.
O MJWarp implementa a física no NVIDIA Warp, que compila kernels CUDA para avançar os estados da simulação nas GPUs NVIDIA.
São quatro camadas descritas pelos autores. O NVIDIA Warp funciona como linguagem de kernels em Python, com execução SIMT (single instruction, multiple threads), diferenciação automática e interoperabilidade com PyTorch e JAX.
O MJWarp coloca a física do MuJoCo sobre o Warp, preserva o mesmo MJCF e oferece throughput em lote na GPU. A cena do usuário, no caso o SO-101, combina ativos conhecidos do Menagerie e do Robot Studio com a geometria da tarefa.
A camada seguinte, ainda por vir, envolve Newton e Isaac Lab, com API multissolver, USD, sensores, gerenciadores e laços de treinamento.
Qual ferramenta escolher
O material traz uma tabela de decisão que orienta a escolha conforme a necessidade. Para controle preditivo e teleoperação de um único robô, o MuJoCo em CPU continua sendo a recomendação.
Quando o objetivo é throughput máximo em física MuJoCo pura, a indicação é o MJWarp, com a alternativa do repositório mjlab.
Para receitas de treinamento escritas em JAX, o caminho apontado é o MuJoCo Playground com MJX, usando impl='warp'. O código do MuJoCo Playground está disponível no GitHub.
Quem precisa de multissolver integrado ao Isaac Lab deve aguardar o capítulo dedicado ao Newton.
Por que isso importa
O escopo do artigo: esta etapa prepara e escala o ambiente de simulação, mas não treina uma política.
A proposta é apresentar a tecnologia e as etapas de validação que tornam possível a transição de um fluxo MuJoCo tradicional para milhares de ambientes paralelos, como os 2.048 usados com o SO-101.
Para a pesquisa em robótica e aprendizado por reforço, isso desloca o gargalo do trabalho. Em vez de otimizar a velocidade de um único mundo simulado, a tarefa passa a ser gerar lotes massivos de experiência simultaneamente e alimentar modelos com esses dados.
As partes seguintes da série, dedicadas ao Newton e ao Isaac Lab, devem cobrir as camadas de integração que vêm depois dessa preparação. Os autores dizem que o foco é a simulação em si, e não o treinamento de políticas.
