24/09/2026 · VietTechies · Biên tập
NVIDIA đã công bố hướng dẫn kỹ thuật về cách chuyển một cảnh robot MuJoCo tương thích sang NVIDIA Warp và MuJoCo Warp (MJWarp), với lộ trình từ một thế giới mô phỏng đã được kiểm tra lên tối đa 2.048 môi trường GPU chạy song song. Bài viết tập trung vào chuẩn bị mô phỏng, di chuyển và đo hiệu năng, không hướng dẫn huấn luyện policy.
Từ thế giới CPU đến các lô GPU
MJWarp phù hợp với các workload mà thông lượng tổng thể quan trọng hơn độ trễ của một bước mô phỏng đơn lẻ. MuJoCo có thể xử lý một hoặc vài thế giới CPU để phát triển và kiểm tra, còn MJWarp đưa mô hình cùng các trạng thái độc lập lên GPU NVIDIA để một lần gọi có thể tiến hành cả lô. Cách tiếp cận này phù hợp với học tăng cường và các workload lấy mẫu quy mô lớn.
Mô hình lập trình của Warp
NVIDIA Warp cho phép lập trình viên viết kernel có kiểu tĩnh, chú trọng hiệu năng bằng Python rồi biên dịch để chạy trên CPU hoặc CUDA. Bài viết nhấn mạnh việc biểu diễn song song rõ ràng, các mảng nằm trên thiết bị và khả năng kết hợp nhiều lần gọi kernel, trong đó có ghi lại đồ thị CUDA cho các workload được hỗ trợ và lặp lại. Warp cũng có kernel khả vi và các chế độ thực thi tất định, nhưng những khả năng này không tự động khiến toàn bộ quá trình chạy MJWarp khả vi hoặc tất định.
Kiểm tra trước khi mở rộng
Quy trình được đề xuất trước tiên chạy cảnh gắp và đặt SO-101 bằng MuJoCo thông thường, sau đó tải mô hình lên MJWarp và so sánh trạng thái tạo ra. Trong bước kiểm tra, phần điều khiển, hiển thị và đánh giá tác vụ vẫn nằm trên máy chủ. Việc sao chép mảng về CPU ở mọi bước con được nêu rõ là không phù hợp với benchmark thông lượng. Tần số điều khiển và tần số vật lý cần được thiết lập nhất quán: ví dụ sử dụng 50 khung điều khiển mỗi giây và 10 bước vật lý cho mỗi khung.
Các giới hạn ảnh hưởng đến kết quả
MJWarp yêu cầu mô hình MuJoCo tương thích cùng các bộ đệm tiếp xúc và ràng buộc được cấp phát trước. Hướng dẫn cảnh báo rằng tình trạng tràn bộ đệm có thể làm một lần chạy mất giá trị ngay cả khi chương trình vẫn tiếp tục với cảnh báo. Vì vậy, cần kiểm tra dung lượng trong giai đoạn có nhiều tiếp xúc nhất của tác vụ và tăng giới hạn trước khi tin cậy kết quả. Đo thời gian benchmark cũng cần bước làm nóng và đồng bộ hóa, vì các lần khởi chạy GPU hoạt động bất đồng bộ; nếu không, số đo có thể phản ánh tốc độ Python xếp công việc vào hàng đợi thay vì tốc độ GPU hoàn tất công việc.
Ảnh minh họa do AI tạo.
Nguồn: How to Use NVIDIA Warp and MjWarp to Accelerate Robotics Simulation and Learning Workflows