Newton 1.5 est disponible avec une série d’améliorations taillées pour l’entraînement et le test de robots en simulation. La version met l’accent sur les lots de mondes parallèles, la fiabilité des contacts et le contrôle expérimental de robots sur GPU.
NVIDIA Robotics a signalé vendredi soir la disponibilité de Newton 1.5, quelques jours après la publication des notes de version sur GitHub. Le projet vise les équipes qui entraînent des robots réels en amont dans des environnements simulés : bras industriels, humanoïdes, plateformes mobiles ou scènes de manipulation où les contacts et les réinitialisations rapides comptent autant que la vitesse brute.
Des mondes parallèles pour accélérer l’apprentissage
La nouveauté la plus concrète concerne les workflows multi-mondes. Les notes de version décrivent des réinitialisations sélectives, une gravité globale mieux isolée et des simulations batched conçues pour éviter de perdre l’état des autres mondes lorsqu’un seul scénario doit repartir. Pour les équipes de robot learning, c’est un point sensible : entraîner une politique demande souvent des milliers de variations d’une même tâche, avec des robots qui tombent, ratent une prise ou entrent en collision.
Le projet indique que des charges représentatives sur humanoïde et Unitree G1 s’initialisent 11 % à 24 % plus vite, tandis que le pic de mémoire CPU baisse de 10 % à 15 % sur plusieurs exemples, dont Cartpole, Humanoid et G1. Ces chiffres ne disent pas à eux seuls la qualité d’une politique robotique, mais ils réduisent un coût très pratique : le temps passé à relancer, capturer et comparer des scènes d’entraînement.
Contacts, import d’actifs et contrôle de joints
Newton 1.5 ajoute aussi un module expérimental de contrôle de joints. Il introduit des contrôleurs d’impédance en espace articulaire, avec un exemple exécutable, pour piloter des lots hétérogènes de robots sur GPU. C’est encore présenté comme expérimental, mais l’orientation est claire : rapprocher la simulation de workflows où plusieurs morphologies ou variantes de robots sont testées en parallèle.
La version travaille également la robustesse des contacts. Les notes mentionnent la génération hydroélastique déterministe, des géométries persistantes, des resets sélectifs, des manifolds de boîtes plus stables et des corrections de capacité pour Kamino. Pour un robot manipulateur ou un humanoïde, ces détails sont moins spectaculaires qu’une vidéo de démonstration, mais ils conditionnent la reproductibilité des prises, appuis, glissements et impacts.
L’import USD et MJCF gagne aussi en fidélité : matériaux, textures, masses, vitesses, contraintes, filtrage de collisions et scènes physiques sont mieux préservés. Cela compte lorsque les équipes veulent faire entrer dans le simulateur des actifs issus d’autres outils, sans perdre au passage des informations qui modifient le comportement physique.
Notre analyse
Newton 1.5 n’est pas l’annonce d’un nouveau robot. C’est une brique d’infrastructure pour ceux qui veulent entraîner ou valider des robots avant de les exposer au monde réel. Dans la robotique actuelle, cette couche devient stratégique : plus les modèles de contrôle sont gourmands en données, plus la qualité de la simulation influe sur le coût, la sécurité et la vitesse des essais.
La prudence reste nécessaire. Les gains publiés concernent des charges représentatives et certaines fonctions restent expérimentales. Mais la trajectoire est importante : Newton se concentre sur les points qui bloquent souvent le passage de la démonstration à l’ingénierie répétable, notamment les contacts, les resets et les imports d’actifs. Pour les laboratoires et industriels qui entraînent des politiques de manipulation ou de locomotion, cette version mérite donc une lecture attentive avant les prochains cycles d’évaluation.
