[RO]《Neural Robot Dynamics》J Xu, E Heiden, I Akinola, D Fox... [NVIDIA] (2025)
NeRD：突破传统，实现高精度通用机器人动力学神经仿真
• 仅替换传统仿真器中低级动力学与接触求解模块，采用机器人中心且空间不变的状态表示，优化模拟泛化能力。
• 通过历史窗口输入机器人状态、接触信息及关节力矩，预测未来状态差分，实现稳定准确的长时序仿真（千步以上）。
• 支持多机器人系统（Cartpole、Double Pendulum、Ant、Franka、ANYmal等），训练数据任务无关，泛化至新任务、环境与控制器。
• 结合NVIDIA Warp仿真器，NeRD作为可替换物理引擎，可无缝接入现有策略学习环境，仅需一行代码切换。
• 实现多任务强化学习策略纯神经仿真训练，零样本转移至传统仿真器及真实机器人，验证真实世界适用性。
• 具备从真实数据高效微调能力，快速缩小仿真与现实差距，训练速度比零起点快10倍以上。
• 采用轻量级GPT-2 Transformer结构，历史信息融合提升预测准确性，输入输出归一化确保训练稳定性。
• 开创性引入机器人局部坐标系编码环境和重力信息，显著提升空间泛化和训练效率。
未来方向涵盖更复杂机器人（如人形机器人）以及半观测现实数据微调，推动神经模拟器在机器人设计与控制领域的广泛应用。
详细解读👉 arxiv.org/abs/2508.15755
机器人动力学神经仿真强化学习机器人控制人工智能
