newton
Newton 是一款专为机器人学家和仿真研究人员打造的开源物理仿真引擎。它基于 NVIDIA Warp 构建,并深度集成了 MuJoCo Warp 作为核心后端,旨在解决传统仿真工具在大规模并行计算和快速迭代方面的瓶颈。
在机器人研发与算法验证中,高效的物理推演至关重要。Newton 通过全面利用 GPU 加速能力,显著提升了仿真速度与可扩展性,让研究人员能够更快速地测试复杂场景。其独特技术亮点包括原生支持 OpenUSD 标准以实现资产互通、具备可微分特性以优化控制策略,以及允许用户高度自定义扩展逻辑。此外,作为由迪士尼研究院、Google DeepMind 和 NVIDIA 共同发起并由 Linux 基金会维护的社区项目,Newton 拥有坚实的生态基础。
这款工具非常适合需要高性能仿真环境的开发者、学术研究者及工程师使用。无论是进行基础的单摆实验,还是加载复杂的 URDF 机器人模型,Newton 都能提供流畅的体验。它支持 Linux、Windows 及 macOS 平台(其中 macOS 仅支持 CPU 模式),只需简单的 Python 命令即可快速上手,是探索下一代机器人仿真技术的理想选择。
使用场景
某机器人研发团队正在为四足机器狗开发复杂的动态跳跃算法,需要在仿真环境中进行大规模强化学习训练。
没有 newton 时
- 训练速度极慢:依赖传统 CPU 物理引擎,单步仿真耗时久,导致数万次迭代的重力策略训练需要数周才能完成。
- 并行扩展困难:难以在单卡上同时运行成千上万个并行的仿真环境,严重限制了强化学习所需的数据吞吐量。
- 工作流割裂:仿真资产格式与行业标准的 OpenUSD 不兼容,团队需花费大量时间编写脚本转换模型文件,容易出错且难以维护。
- 梯度优化缺失:缺乏原生的可微分物理支持,无法通过梯度下降直接优化控制器参数,只能依赖效率低下的黑盒搜索算法。
使用 newton 后
- GPU 加速飞跃:利用 NVIDIA Warp 底层技术将物理计算完全卸载至 GPU,仿真速度提升数十倍,将原本数周的训练周期缩短至几天甚至几小时。
- 大规模并行仿真:轻松在单张显卡上并发运行上万个独立的机器狗仿真实例,极大丰富了训练数据多样性,加速策略收敛。
- 无缝资产集成:原生支持 OpenUSD 标准,团队可直接复用高精度的机器人设计模型,消除了格式转换环节,实现了从设计到仿真的无缝流转。
- 可微分控制优化:借助内置的可微分物理引擎,研究人员能直接计算物理状态的梯度,从而更高效、精准地微调机器人的运动控制策略。
newton 通过 GPU 加速、大规模并行及可微分特性,将机器人算法的研发迭代效率从“周级”提升至“小时级”,彻底改变了复杂动态任务的开发模式。
运行环境要求
- Linux (x86-64
- aarch64)
- Windows (x86-64)
- macOS (仅 CPU)
- Linux/Windows 必需:NVIDIA GPU (Maxwell 架构或更新),驱动版本 545+ (对应 CUDA 12)
- macOS 不支持 GPU,仅能运行 CPU 模式
- 无需本地安装 CUDA Toolkit
未说明

快速开始
Newton
Newton 是一款基于 NVIDIA Warp 构建的 GPU 加速物理仿真引擎,专门面向机器人研究人员和仿真研究者。
Newton 扩展并泛化了 Warp(已弃用)的 warp.sim 模块,并将 MuJoCo Warp 作为其主要后端。Newton 强调基于 GPU 的计算、OpenUSD 支持、可微性以及用户自定义扩展能力,从而促进快速迭代和可扩展的机器人仿真。
Newton 是一个由社区共建和维护的 Linux 基金会项目。代码采用 Apache-2.0 许可证(详见 LICENSE.md)。文档则采用 CC-BY-4.0 许可证(详见 CC-BY-4.0)。其他及第三方许可证文本可在 newton/licenses 目录中找到。
Newton 由迪士尼研究院、谷歌 DeepMind 和 NVIDIA 共同发起。
系统要求
- Python 3.10+
- 操作系统: Linux (x86-64, aarch64)、Windows (x86-64) 或 macOS(仅限 CPU)
- GPU: NVIDIA GPU(Maxwell 或更高版本),驱动程序 545 或更高版本(CUDA 12)。无需本地安装 CUDA 工具包。macOS 版本仅支持 CPU 运行。
有关详细的系统要求和测试配置,请参阅安装指南。
快速入门
pip install "newton[examples]"
python -m newton.examples basic_pendulum
若使用 uv 从源码安装,请参阅安装指南,并用 uv run 替代命令中的 python。
示例
在运行以下示例之前,请先安装包含示例的 Newton:
pip install "newton[examples]"
如果您使用 uv 从源码安装,在下面的命令中请将 python 替换为 uv run。
示例选项
这些示例支持以下命令行参数:
| 参数 | 描述 | 默认值 |
|---|---|---|
--viewer |
查看器类型:gl(OpenGL 窗口)、usd(USD 文件输出)、rerun(ReRun)或 null(无查看器)。 |
gl |
--device |
要使用的计算设备,例如 cpu、cuda:0 等。 |
None(默认 Warp 设备) |
--num-frames |
要模拟的帧数(用于 USD 输出)。 | 100 |
--output-path |
USD 文件的输出路径(如果使用了 --viewer usd,则为必填项)。 |
None |
某些示例可能会添加额外的参数(详情请参阅各自的源代码文件)。
示例用法
# 列出可用的示例
python -m newton.examples
# 使用 USD 查看器运行,并保存到 my_output.usd
python -m newton.examples basic_viewer --viewer usd --output-path my_output.usd
# 在指定设备上运行
python -m newton.examples basic_urdf --device cuda:0
# 组合多个选项
python -m newton.examples basic_viewer --viewer gl --num-frames 500 --device cpu
贡献与开发
有关如何为 Newton 做出贡献的说明,请参阅 贡献指南 和 开发指南。
支持与社区讨论
如有疑问,请先查阅 Newton 文档,然后再在 主仓库的讨论区 中发起讨论。
行为准则
参与本社区即表示您同意遵守 Linux 基金会的 行为准则。
项目治理、法律及成员
有关项目治理的更多信息,请参阅 newton-governance 仓库。
常见问题
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理(NLP)打造的超级资源库,被誉为"NLP 民工的乐园”。它并非单一的软件工具,而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点,funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具,还独特地收录了丰富的垂直领域资源,如法律、医疗、金融行业的专用词库与数据集,甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性,从基础的字典词典到前沿的 BERT、GPT-2 模型代码,再到高质量的标注数据和竞赛方案,应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师,还是从事人工智能研究的学者,都能在这里找到急需的“武器弹药”。对于开发者而言,它能大幅减少寻找数据和复现模型的时间;对于研究者,它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神,极大地降低了中文自然语言处理的开发与研究成本,是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单,旨在为自学者提供系统化的学习路径。它汇集了全球知名高校(如加州大学伯克利分校、新南威尔士大学等)的完整课程录像,涵盖从编程基础、数据结构与算法,到操作系统、分布式系统、数据库等核心领域,并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源,cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容,仅收录真正的大学层级课程,排除了碎片化的简短教程或商业广告,确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员,以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽,不仅包含传统的软件工程与网络安全,还细分了生成式 AI、大语言模型、计算生物学等新兴学科,并直接链接至官方视频播放列表,让用户能一站式获取高质量的教育资源,免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。