📱Warp.

Warp — это Python-фреймворк для написания высокопроизводительного кода для симуляции и графики. Warp берет обычные Python-функции и JIT компилирует их в эффективный код ядра, который может выполняться на CPU или GPU.

Warp разработан для пространственных вычислений и оснащен богатым набором примитивов, которые облегчают написание программ для симуляции физики, восприятия, робототехники и обработки геометрии. Кроме того, ядра Warp являются дифференцируемыми и могут использоваться в рамках машинного обучения с такими фреймворками, как PyTorch и JAX.

#Warp #Python #Simulation #Graphics #HighPerformance #JITCompilation #CPU #GPU #SpatialComputing #PhysicsSimulation #Robotics #GeometryProcessing #MachineLearning #PyTorch #JAX #DevTools #Coding #NVIDIA

📱Ссылка на репозиторий:
https://github.com/NVIDIA/warp

📱Archimedes.

Archimedes — это open-source фреймворк на Python, созданный для того, чтобы переносить управляющие алгоритмы прямо на реальное оборудование. Он объединяет в себе моделирование, симуляцию, оптимизацию и генерацию C-кода — всё, что нужно для полного цикла разработки систем управления.

❓Что умеет Archimedes:

🔘NumPy-совместимый API с автоматическим выбором бэкенда.

🔘Быстрое выполнение вычислительных графов в скомпилированном C++.

🔘Автоматическое дифференцирование (forward & reverse mode, sparse).

🔘Поддержка плагин-решателей: ODE/DAE, root-finding, NLP.

🔘Генерация C-кода для embedded-устройств.

🔘JAX-подобные трансформации функций.

🔘PyTorch-стиль структур для параметров и моделей.

🐱Для кого Archimedes:

🔘Инженеры управления.

🔘Разработчики роботов.

🔘Специалисты по оптимизации.

🔘Разработчики embedded-софта.

🔘Исследователи динамических систем.

✅Если тебе нужно писать алгоритмы на Python и переносить их на железо без ручного переписывания — Archimedes закрывает эту проблему полностью.

#python #casadi #embedded #controlsystems #numerics #autodiff #opensource #archimedes #pythonlibrary #engineering #robotics #optimization #coding #tech

📱Ссылка на репозиторий:
https://pinetreelabs.github.io/archimedes/index.html

📱MimicKit.

MimicKit — это открытый, легковесный фреймворк для обучения контроллеров движения с помощью имитации движения и RL, в котором в одном месте собраны DeepMimic, AMP, ASE и ADD плюс PPO/AWR.

🔹Особенности:

🔘Чистый код и минимальные зависимости: одна кодовая база, в которой реализованы популярные motion‑imitation методы и RL‑алгоритмы для графики и робототехники.

🔘Модульная архитектура: отдельно описаны Agent, Model, Environment и Engine, что позволяет быстро пробовать другие персонажи, задачи и симуляторы.

🔘Поддержка разных physics‑движков (Isaac Gym, Isaac Lab, Newton) через engine_config, плюс векторизованные среды для массового параллелизма на GPU.

🔻Базовый workflow выглядит так:

🔘Установить движок (например, Isaac Gym) и зависимости, скачать data/ с ассетами и motion capture.

🔘Запустить обучение чем‑нибудь из коробки, вроде DeepMimic‑гуманоида:

  python mimickit/run.py \
    --mode train \
    --num_envs 4096 \
    --engine_config data/engines/isaac_gym_engine.yaml \
    --env_config data/envs/deepmimic_humanoid_env.yaml \
    --agent_config data/agents/deepmimic_humanoid_ppo_agent.yaml \
    --visualize true \
    --out_dir output/

🔘Для повторных запусков удобно крутить всё через arg_file с готовыми настройками.

Если нужно просто быстро проверить модели или потыкать анимации, есть режим test, просмотр motion‑клипов и готовые скрипты для логов и TensorBoard.

#MimicKit #DeepMimic #AMP #ASE #ADD #ReinforcementLearning #MotionControl #IsaacGym #Robotics #PhysicsSimulation

📱Ссылка на репозиторий:
https://github.com/xbpeng/MimicKit

📱Slamd.

slamd — это минималистичная GPU‑ускоренная 3D‑визуализация для Python: pip install slamd, 3 строки кода — и у вас интерактивный viewer с point clouds, meshes, camera frustums, transform tree (как ROS TF).

🔹Почему круто:

🔘Нет event loop/callbacks: vis = slamd.Visualizer(); scene.set_object("/robot/cloud", slamd.geom.PointCloud(pts)) — окно само открывается.

🔘Миллионы точек на 30+ FPS (OpenGL), stateful (не лог как Rerun).

🔘Primitives: Triad, Arrows, Spheres, Planes, Frustum с изображением.

🔻Пример:

import slamd
vis = slamd.Visualizer("My Scene")
scene = vis.scene("main")
scene.set_object("/triad", slamd.geom.Triad())

#python #3d #visualization #slam #robotics #opengl #slamd

📱Ссылка на репозиторий:
https://github.com/Robertleoj/slamd

📱ProtoMotions 3.

ProtoMotions 3 - это открытый высокопроизводительный фреймворк с GPU-ускорением, разработанный для симуляции, процедурной генерации и обучения движениям цифровых людей и гуманоидных роботов (Reinforcement Learning).

Проект выпущен под свободной лицензией Apache-2.0 и объединяет усилия исследователей в области анимации, робототехники и обучения с подкреплением, предоставляя модульную и масштабируемую платформу для быстрого прототипирования.

🔹Главные фичи и возможности:

🔘Масштабное обучение движениям: Позволяет обучить физически смоделированного персонажа моторным навыкам на основе огромного датасета анимаций AMASS (более 40 часов движения) всего за 12 часов на 4 видеокартах NVIDIA A100.

🔘Ретаргетинг в одну команду: Встроенный оптимизатор на базе PyRoki позволяет перенести базу движений человека на любого кастомного робота одной консольной командой (например, заменив параметр --robot-name=smpl на --robot-name=h1_2).

🔘Кросс-симуляционное тестирование (Sim2Sim): Переключение физических движков в один клик (--simulator=isaacgym ➔ newton ➔ mujoco). Это позволяет проверять алгоритмы управления роботами в разных условиях, используя только те сигналы датчиков, которые реально получить с «железа».

🔘Интеграция с генеративным ИИ: Поддерживает работу с ИИ-моделью NVIDIA Kimodo (генерация движений по текстовому промпту). Вы можете превратить текст в анимацию, а затем обучить робота выполнять это действие в симуляции.

🔘Фотореалистичный рендеринг: Полная интеграция с IsaacSim 5.0+ позволяет загружать красивое окружение, созданное с помощью трехмерного гауссового сплэттинга (Gaussian splatting).

🤖Из симуляции в реальность (Sim-to-Real).

Фреймворк успешно протестирован на аппаратном обеспечении. Универсальная политика трекинга обучается в симуляторе на датасете ~142 тысяч движений и переносится на реального гуманоидного робота Unitree G1 напрямую (zero-shot).

💡 Пайплайн развертывания экспортирует готовую ONNX-модель со встроенным вычислением параметров наблюдения. Фреймворкам на реальном роботе (тестировалось через RoboJuDo) достаточно просто скармливать модели сырые сигналы с датчиков — переписывать функции обработки данных вручную не нужно.

🛠Архитектурная модульность.

Вам не нужно писать монолитные тяжелые классы окружения. Например, задача управления движением собирается из независимых слоев:

🔘Контроллер (steering_control.py) — управляет целевым направлением и скоростью.

🔘Наблюдение (obs/steering.py) — тензорное ядро, переводящее цели в локальную систему координат робота.

🔘Награда (rewards/task.py) — рассчитывает функции вознаграждения за соблюдение курса и направления.

Добавить своего собственного робота так же просто: достаточно закинуть спецификацию .xml от MuJoCo в папку ассетов, заполнить конфигурационный файл и зарегистрировать его в фабрике роботов.

#ProtoMotions3 #NVIDIA #Robotics #Humanoids #ReinforcementLearning #SimToReal #UnitreeG1 #MuJoCo #AI #OpenSource #DevTools

📱Ссылка на репозиторий:
https://github.com/NVlabs/ProtoMotions