引言：为什么柔性仿真是物理AI最硬的骨头
在具身智能（Embodied AI）的浪潮中，物理仿真引擎正成为机器人训练的"基础设施"。但当我们把目光从刚性物体的抓取、搬运，转向服装、布料、软体玩具等柔性物体时，仿真难度会陡然提升一个数量级。柔性物体仿真面临三重技术挑战：材质复杂、碰撞频繁、形变非线性。一件衣服在折叠、悬垂、揉捏过程中会涉及拉伸、剪切、弯曲、自碰撞等耦合的物理特性，其数学建模和计算求解极为复杂。
凌迪科技（Style3D）长期聚焦物理AI，以自研仿真引擎 SynReal 为核心，在柔性仿真领域位列全球前三，拥有超 50 项技术专利。其首席科学家王华民博士曾任俄亥俄州立大学计算机科学教授，团队在布料仿真领域持续产出顶会成果——其中"GPU 实时模拟布料碰撞"相关工作被 SIGGRAPH 2022 收录。在 WAIC 2026 上，凌迪展示了 SynReal World（面向机器人的训练世界）、StyleWork（服装产业 AI 应用）、Stylebolt（门店机器人）三大产品，标志着其柔性仿真技术正从工业软件向通用物理AI平台延伸。
本文抛开产品宣传，从底层技术角度深度拆解：柔性物体仿真的数学模型、布料碰撞检测算法、GPU 实时模拟架构、SynReal 三组件设计、引擎横向对比，以及合成数据到具身智能训练的完整技术链路。
一、柔性物体仿真的数学模型分析
柔性物体（布料、软体）仿真的核心是求解一个随时间演化的形变方程。根据离散化与求解策略的不同，主流方法可分为三类：质点-弹簧模型（Mass-Spring System）、有限元方法（FEM）、以及基于位置的动力学（Position-Based Dynamics, PBD）。三者各有取舍，在精度、稳定性、计算效率之间形成不同的平衡点。
1.1 质点-弹簧模型（Mass-Spring System）
质点-弹簧模型是最直观的离散化方法。它将布料表示为一张由质点构成的网格，质点之间用弹簧连接。每个质点 $i$ 的运动遵循牛顿第二定律：
$$
m_i \ddot{\mathbf{x}}i = \mathbf{F}^{internal} + \mathbf{F}_{i}^{external}
$$
其中内部力来自连接的弹簧。布料通常采用三种弹簧结构来近似织物行为：
- 结构弹簧（Structural Spring）：连接水平和垂直相邻质点，抵抗拉伸。
- 剪切弹簧（Shear Spring）：连接对角相邻质点，抵抗剪切形变。
- 弯曲弹簧（Bend Spring）：跳过一个质点连接，抵抗折叠与弯曲。
每根弹簧产生的力采用胡克定律：
$$
\mathbf{F}{ij} = k_s (|\mathbf{x}| - L_0) \frac{\mathbf{x}{ij}}{|\mathbf{x}|} - k_d \dot{\mathbf{x}}_{ij}
$$
其中 $k_s$ 为刚度系数，$k_d$ 为阻尼系数，$L_0$ 为静止长度。
优点：实现简单、易于并行、计算开销低，适合实时交互场景。
缺点：弹簧刚度受数值积分稳定性限制（显式 Euler 要求 $\Delta t \propto \sqrt{m/k}$），难以表现强刚度材料的真实行为；且各向同性的弹簧网络难以精确拟合真实织物的各向异性力学曲线。
1.2 有限元方法（FEM）
有限元方法将连续体离散为有限个单元（如三角形或四面体），通过弹性势能泛函推导内力。对于布料，常用 Saint-Venant Kirchhoff 模型或基于应变不变量的各向异性模型。
设形变映射为 $\phi(\mathbf{X}) = \mathbf{x}$，形变梯度为 $\mathbf{F} = \partial \mathbf{x} / \partial \mathbf{X}$，Green 应变为 $\mathbf{E} = \frac{1}{2}(\mathbf{F}^T \mathbf{F} - \mathbf{I})$。弹性势能：
$$
\Psi(\mathbf{E}) = \frac{\lambda}{2} (\text{tr}, \mathbf{E})^2 + \mu , \text{tr}(\mathbf{E}^2)
$$
内力通过对节点位移求势能负梯度得到 $\mathbf{f} = -\partial \Psi / \partial \mathbf{x}$，并组装成全局刚度矩阵 $\mathbf{K}$，最终求解线性系统：
$$
\mathbf{M} \ddot{\mathbf{x}} + \mathbf{C} \dot{\mathbf{x}} + \mathbf{K} \mathbf{x} = \mathbf{f}_{ext}
$$
优点：物理保真度高，能与真实材料参数（杨氏模量、泊松比）直接对应，适合工业级服装仿真。
缺点：计算量大，需要求解大型稀疏线性系统；大形变下易出现单元翻转（inversion），需要 inversion-free 的能量模型（如 ARAP、Stable Neo-Hookean）处理。
1.3 基于位置的动力学（Position-Based Dynamics, PBD）
PBD 是一种直接在位置空间求解约束的方法，绕开了力-加速度-速度-位置的显式积分链路。其核心思想是：先预测位置，再通过迭代投影满足约束。
预测步骤（显式 Euler）：
$$
\mathbf{x}_i^* = \mathbf{x}_i + \Delta t , \mathbf{v}i + \Delta t^2 , \mathbf{f} / m_i
$$
约束投影步骤对每个约束 $C_j(\mathbf{x}{i_1}, \dots, \mathbf{x}) = 0$，按刚度权重 $w_i = 1/m_i$ 求解位置修正：
$$
\Delta \mathbf{x}i = -\frac{w_i , C_j(\mathbf{x})}{\sum_k w_k |\nablak} C_j|^2} \nabla_i} C_j
$$
PBD 的约束可以是距离约束（模拟弹簧）、体积约束、碰撞约束等。它的衍生方法 XPBD（Extended PBD） 通过引入拉格朗日乘子将约束求解与材料刚度解耦，使得 PBD 能够精确对应弹性模量，弥合了 PBD 与 FEM 在物理精度上的差距。
优点：无条件稳定、对大时间步鲁棒、约束求解天然适合并行，是实时布料与游戏物理的事实标准。
缺点：求解精度依赖迭代次数，刚度受迭代次数限制；约束的雅可比矩阵近似带来数值耗散。
凌迪 SynReal 的柔性引擎在设计上融合了 FEM 的高保真与 PBD/XPBD 的稳定性优势：在需要材料级精度的离线仿真中使用非线性 FEM 求解器，在实时训练场景中采用 GPU 并行的 XPBD 约束求解器，并通过自适应网格重划分（remeshing）在褶皱区域加密、平坦区域稀疏化。
二、布料碰撞检测算法分析
碰撞检测是柔性仿真中最耗时的环节。布料自碰撞（self-collision）的复杂度可达 $O(n^2)$（$n$ 为顶点数），而一件高精度衣服的顶点数可达数十万。因此高效的碰撞检测数据结构与并行算法是性能关键。
2.1 AABB 树（轴对齐包围盒树）
AABB（Axis-Aligned Bounding Box）树是一种层次包围盒结构。每个叶节点存储一个图元（三角形或质点）的 AABB，内部节点存储子节点 AABB 的并集。查询时，自顶向下递归检测两棵树的 AABB 是否相交，只有相交的节点对才进入更精细的检测。
AABB 树的构建复杂度为 $O(n \log n)$，单次查询平均 $O(\log n)$。在布料动态形变中，AABB 需要逐帧更新。由于布料形变幅度大，树结构容易退化，需要周期性重建或采用增量更新（refit）策略。AABB 树适合中等规模、形变不太剧烈的刚-柔碰撞，但对大规模布料自碰撞效率有限。
2.2 空间哈希（Spatial Hashing）
空间哈希将三维空间划分为均匀网格，将每个图元映射到一个或多个网格单元的哈希桶中。查询碰撞时，只需检查同一桶内的图元对，将 $O(n^2)$ 降至接近 $O(n)$。
# 空间哈希碰撞检测的概念示例
def build_spatial_hash(triangles, cell_size):
grid = {}
for tri_id, tri in enumerate(triangles):
bbox_min, bbox_max = tri.aabb()
# 遍历三角形 AABB 覆盖的所有网格单元
for ix in range(int(bbox_min.x / cell_size), int(bbox_max.x / cell_size) + 1):
for iy in range(int(bbox_min.y / cell_size), int(bbox_max.y / cell_size) + 1):
for iz in range(int(bbox_min.z / cell_size), int(bbox_max.z / cell_size) + 1):
key = (ix, iy, iz)
grid.setdefault(key, []).append(tri_id)
return grid
空间哈希的优势在于构建与查询均为线性复杂度，且天然适合 GPU 并行。挑战在于网格单元尺寸的选择：过大导致桶内图元过多、候选对膨胀；过小导致大三角形跨越过多单元、内存开销激增。常用改进包括分层网格（ hierarchical grid）和基于 Morton 码的空间填充曲线排序，使相邻图元在内存中连续，提升缓存命中率。
2.3 GPU 并行碰撞检测
凌迪团队在 SIGGRAPH 相关工作中采用了基于 排斥力（repulsion） 的 GPU 碰撞处理方法。其核心思想是：用空间哈希在 GPU 上并行生成候选碰撞对，对每对接近的顶点-三角形施加排斥约束，从而避免穿透。
王华民团队的"A Safe and Fast Repulsion Method for GPU-based Cloth Self Collisions"提出了一套快速且安全的碰撞处理流程：通过排斥约束保证不穿透（safety），通过分裂（splitting）方法将碰撞处理与动力学求解器集成，并配合静态与自适应重网格（remeshing）提升运行时性能。该方法强调 高效、安全、鲁棒、可并行，这正是 GPU 实时布料模拟的核心诉求。
GPU 并行碰撞检测的关键技术点包括：
- 候选对生成的并行化：每个线程处理一个图元，写入空间哈希桶；通过原子操作或前缀和（prefix sum）去重候选对。
- 排斥约束的并行投影：采用 PBD/约束求解框架，对每个候选对独立计算位置修正，用原子加（atomicAdd）写回，避免写冲突。
- 连续碰撞检测（CCD）：对高速运动区域使用基于区间求根的 CCD，防止"隧穿"（tunneling）；王华民团队的 "Fast GPU-Based Two-Way Continuous Collision Handling" 将双向连续碰撞处理也搬上了 GPU。
三、GPU 实时布料模拟的技术架构
3.1 SIGGRAPH 2022：MAS 预条件器
凌迪首席科学家王华民团队发表于 ACM Transactions on Graphics (SIGGRAPH 2022) 的论文 "A GPU-Based Multilevel Additive Schwarz Preconditioner for Cloth and Deformable Body Simulation"，将实时布料与可形变体仿真的规模推向 5 万至 50 万顶点级别。其技术核心是一个基于 GPU 的 多层加性 Schwarz（MAS）预条件器。
预条件器用于加速共轭梯度（PCG）等迭代求解器的收敛。传统预条件器（如 ILU0、ILUT）在 GPU 上难以高效并行。该论文的关键创新包括：
- 小型不重叠区域分解：与传统 MAS 使用重叠区域不同，采用小型不重叠区域，充分挖掘 GPU 的并行计算能力。
- 基于 Morton 码的多层区域构建：利用空间填充曲线（Morton/Z-order）对网格进行排序分层，构造从细到粗的多层区域结构，保证数据局部性。
- 单向 Gauss-Jordan 消元的低成本矩阵预计算：预计算各区域局部矩阵的逆，运行时仅需矩阵-向量乘法。
- 无冲突的对称矩阵-向量乘法：设计运行时预条件中的无冲突对称 SpMV，避免原子操作的串行化开销。
实验表明，该预条件器在 GPU 上将 PCG 求解器加速约 4 倍，其 CPU 版本亦优于 ILU0 和 ILUT。它兼容 PCG、加速梯度下降、L-BFGS 等多种线性和非线性求解器，适用于带动态接触的布料与可形变体仿真。这一成果使得单张 GPU 即可实时模拟复杂布料碰撞（如羊毛大衣以 37fps 实时模拟，仿真精度达 5mm 量级），为 SynReal 的高保真实时引擎奠定了算法基础。
3.2 GPU 实时模拟架构图
下图展示了 SynReal 柔性引擎的 GPU 实时模拟流水线，体现"数据并行 → 碰撞检测 → 约束求解 → 积分更新"的核心循环：
这条流水线的每一环都高度并行化：数据层以 Morton 码保证内存局部性，碰撞层以空间哈希实现线性复杂度，求解层以 MAS 预条件器加速全局线性系统收敛，积分层以自适应重网格在精度与性能间动态平衡。整个循环在单 GPU 上以实时帧率运行，是 SynReal Sim 区别于传统离线柔性仿真器的关键。
四、SynReal 三组件技术架构
SynReal 是凌迪面向物理AI的自研仿真引擎，由三个组件构成：SynReal Sim（高保真仿真引擎）、SynReal Arena（具身智能训练平台）、SynReal Core（基于大规模合成交互数据训练的模型）。三者构成从仿真到智能体的完整闭环。
4.1 SynReal Sim：仿真引擎底座
SynReal Sim 承担物理求解的底层职责。其设计要点：
- 柔刚统一：在同一求解框架内处理柔性布料与刚性物体，支持机器人与柔性环境交互（如机械手折叠衣物）。
- 物理材质参数化：为每个数字资产补充质量、摩擦系数、弹性模量、碰撞响应等物理属性，使仿真对象遵循真实物理规律。
- 引擎集成：SynReal 接入 NVIDIA Newton 物理引擎与 Google DeepMind MuJoCo，在需要高精度刚体动力学与机器人关节仿真的场景中调用底层引擎，而柔性部分由 SynReal 自研求解器处理，形成互补。
4.2 SynReal Arena：训练世界
SynReal World 的构建分为三环节，对应 Arena 的核心流程：
第一步：数字资产变为训练对象。 从文字描述、图片或 CAD 模型生成物体几何，并自动补充物理属性。这一步将静态的 3D 资产转化为可参与物理仿真的"活"对象。
第二步：物理仿真运行。 物体在引擎中遵循物理规律运动与交互，任务可被反复运行，训练结果可量化验证。这是强化学习所需的"可重置环境（resettable environment）"的关键。
第三步：合成数据生成。 引擎批量生成带标注的合成交互数据，并通过域随机化等手段缩小合成数据与真实数据的差距。
4.3 SynReal Core：数据驱动的策略模型
SynReal Core 基于大规模合成交互数据训练具身策略模型。由于仿真环境可生成近乎无限的交互数据，Core 能覆盖现实世界难以采集的稀有场景（如衣物各种折叠状态、织物撕裂等），再通过 Sim-to-Real 迁移策略部署到真实机器人。
五、物理仿真引擎横向对比
下表对比 SynReal 与主流物理仿真引擎在柔性仿真、刚体动力学、GPU 并行、机器人训练等维度的特性。
| 维度 | SynReal | NVIDIA Newton | MuJoCo | Isaac Gym / Isaac Lab | NVIDIA PhysX |
|---|---|---|---|---|---|
| 主导方 | 凌迪科技（Style3D） | NVIDIA / Google DeepMind / Disney Research | Google DeepMind | NVIDIA | NVIDIA |
| 开源情况 | 闭源（商业引擎） | 开源（Linux Foundation 托管） | 开源（Apache 2.0） | 开源（部分） | 开源（BSD） |
| 柔性/布料仿真能力 | 强（自研柔性求解器，FEM+XPBD，全球前三） | 弱-中（基于 Warp，柔性为扩展方向） | 弱（主要面向刚体/肌骨） | 弱（偏刚体与环境） | 中（有限柔体，布料较弱） |
| 刚体动力学 | 中（接入 Newton/MuJoCo 补强） | 强（机器人关节优化） | 强（接触/约束求解精度高） | 强（大规模并行刚体） | 强（游戏级刚体） |
| GPU 并行 | 强（MAS 预条件器，实时布料） | 强（基于 Warp，GPU 加速） | 弱-中（CPU 为主，GPU 在迭代） | 强（大规模并行 RL） | 中（GPU 加速可选） |
| 机器人训练适配 | 中-强（Arena 训练平台） | 强（面向机器人学习优化） | 强（RL 标准基线） | 强（RL 训练框架原生） | 弱（非训练导向） |
| 生态集成 | 接入 Newton / MuJoCo | 兼容 MuJoCo / Isaac Lab | 独立生态 | Newton / MuJoCo 兼容 | 游戏引擎生态 |
| 典型场景 | 柔性环境具身训练、服装仿真 | 人形机器人学习 | 机器人 RL 基准 | 大规模并行 RL | 游戏/实时交互 |
从对比可以看出，各引擎的定位差异显著：MuJoCo 与 Newton 侧重刚体与机器人关节的高精度动力学，是强化学习的标准基线；Isaac Gym/Lab 强调大规模并行训练吞吐；PhysX 面向游戏级实时交互；而 SynReal 的差异化壁垒在于柔性物体仿真——这是其他引擎普遍薄弱的领域。凌迪的策略是"以柔性为长板，以接入 Newton/MuJoCo 补齐刚体"，在涉及布料、织物、软体环境的具身任务中形成独特价值。
六、合成数据到真实数据迁移：Sim-to-Real Gap
仿真环境能以低成本生成海量训练数据，但仿真与真实之间存在不可避免的分布差异，即 Sim-to-Real Gap。差距来源包括：物理参数不精确（摩擦、质量、弹性）、传感器噪声差异（相机渲染、深度噪声）、动力学未建模效应（磨损、柔性迟滞）。SynReal 在合成数据生成环节通过以下技术缩小差距。
6.1 域随机化（Domain Randomization）
域随机化的核心思想是：在训练时对仿真参数进行大范围随机化，使策略对参数扰动鲁棒，从而在部署到真实世界（被视为随机化分布中的一个采样点）时仍能泛化。可随机化的维度包括：
- 物理参数随机化：质量 $\pm 20%$、摩擦系数 $\mu \in [0.3, 0.8]$、弹性模量、控制延迟等。
- 视觉随机化：纹理、光照方向、相机位姿、背景，使策略不依赖特定外观。
- 动力学随机化：关节阻尼、电机增益，模拟真实执行器的不确定性。
# 域随机化的概念示例：为每次仿真采样物理参数
import random
def sample_domain_params():
return {
"mass_scale": random.uniform(0.8, 1.2),
"friction": random.uniform(0.3, 0.8),
"restitution": random.uniform(0.0, 0.3),
"youngs_modulus": random.uniform(0.8e6, 1.2e6),
"control_latency_ms": random.randint(0, 30),
"light_dir": [random.uniform(-1, 1) for _ in range(3)],
}
def reset_episode(sim, asset):
p = sample_domain_params()
asset.set_mass_scale(p["mass_scale"])
asset.set_friction(p["friction"])
asset.set_youngs_modulus(p["youngs_modulus"])
sim.set_light_direction(p["light_dir"])
return p
6.2 域适应与系统辨识
除随机化外，缩小 gap 的另一路径是系统辨识（System Identification）：用少量真实数据反推仿真参数，使仿真更贴近真实。对于柔性物体，凌迪可利用其服装仿真积累的材料参数估计能力（王华民团队有"Learning-Based Bending Stiffness Parameter Estimation by a Drape Tester"等工作），从悬垂实验反推织物的弯曲刚度，使仿真织物行为与真实织物对齐。此外，渲染域适应（用真实图像微调仿真渲染器）与动作域适应（用真实机器人轨迹校准仿真动力学）也是常用手段。
6.3 渐进式迁移
SynReal World 的三环节天然支持渐进式迁移：先在纯合成环境中训练，再逐步注入真实数据（少量真实演示用于模仿学习预训练，或少量真实参数用于辨识），最后在真实机器人上微调。这种"合成预训练 + 真实微调"的范式能最大化利用合成数据的规模优势，同时控制真实数据采集成本。
七、具身智能训练流水线分析
将上述组件串联，SynReal 支撑的具身智能训练流水线如下：
流水线的关键技术点：
- 并行仿真吞吐：强化学习需要海量交互样本。SynReal Sim 的 GPU 实时引擎允许同时运行大量并行环境，类似 Isaac Gym 的大规模并行 RL 范式，但额外支持柔性环境。
- 可量化验证：仿真环境的可重置性与确定性，使得策略可被反复评测、对比，这是真实世界难以提供的。评测指标（成功率、能耗、完成时间）在仿真中精确可得。
- 柔性任务的特殊性：折叠衣物、整理布料等柔性任务的状态空间高维且连续（布料形变自由度极大），传统刚体抓取的奖励设计不适用。SynReal 通过仿真生成的高保真形变状态，为这类任务的奖励塑形（reward shaping）提供了可计算的基础（如布料覆盖率、平整度指标）。
- 闭环迭代：真实部署的失败案例回流为改进数据，指导任务定义、奖励设计或物理参数辨识的修正，形成持续迭代。
八、布料模拟代码概念示例
下面给出两个概念性 Python 示例，分别展示质点-弹簧模型的显式积分与 PBD 的距离约束投影，帮助理解前述数学模型在代码层面的实现形态。
8.1 质点-弹簧模型（显式 Euler 积分）
import numpy as np
class MassSpringCloth:
"""质点-弹簧布料模型概念实现（显式 Euler 积分）"""
def __init__(self, n, m, rest_len, mass, k_s, k_d, gravity=-9.8):
self.n, self.m = n, m # 网格分辨率
self.pos = self._init_grid(n, m, rest_len) # 顶点位置 (N,3)
self.vel = np.zeros_like(self.pos)
self.mass = np.full(self.pos.shape[0], mass)
self.k_s, self.k_d = k_s, k_d # 刚度 / 阻尼
self.gravity = np.array([0, gravity, 0])
self.springs = self._build_springs(n, m, rest_len) # (i, j, L0)
def _init_grid(self, n, m, L):
x, y = np.meshgrid(np.arange(m) * L, np.arange(n) * L)
z = np.zeros_like(x)
return np.stack([x, y, z], axis=-1).reshape(-1, 3).astype(float)
def _build_springs(self, n, m, L):
springs = []
for i in range(n):
for j in range(m):
idx = i * m + j
if j + 1 < m: springs.append((idx, idx + 1, L)) # 结构(水平)
if i + 1 < n: springs.append((idx, idx + m, L)) # 结构(垂直)
if i + 1 < n and j + 1 < m:
springs.append((idx, idx + m + 1, L * np.sqrt(2)))# 剪切(对角)
if j + 2 < m: springs.append((idx, idx + 2, 2 * L)) # 弯曲
return springs
def step(self, dt, fixed_ids=()):
# 1. 计算弹簧内力
force = np.zeros_like(self.pos)
for i, j, L0 in self.springs:
d = self.pos[j] - self.pos[i]
dist = np.linalg.norm(d)
if dist < 1e-9: continue
dirv = d / dist
f = self.k_s * (dist - L0) * dirv
# 阻尼力（沿弹簧相对速度方向）
rel_v = self.vel[j] - self.vel[i]
f += self.k_d * np.dot(rel_v, dirv) * dirv
force[i] += f
force[j] -= f
# 2. 外力（重力）
force += self.mass[:, None] * self.gravity
# 3. 固定点不受力
force[list(fixed_ids)] = 0
# 4. 显式 Euler 积分
self.vel += (force / self.mass[:, None]) * dt
self.vel[list(fixed_ids)] = 0
self.pos += self.vel * dt
# 注意：显式 Euler 受弹簧刚度 k_s 与时间步 dt 的稳定性约束:
# dt <= 2 * sqrt(m / k_s)。强刚度材料需用隐式积分或 PBD。
8.2 PBD 距离约束投影
import numpy as np
def pbd_distance_constraint_solve(pos, inv_mass, springs, iters=10, compliance=0.0):
"""XPBD 风格的距离约束投影（概念实现）。
pos : (N,3) 当前预测位置
inv_mass : (N,) 逆质量 (固定点=0)
springs : list of (i, j, rest_length)
iters : 约束求解迭代次数（越多越硬）
compliance : 柔度参数（0 = 完全刚性约束）
"""
pos = pos.copy()
lagrange = np.zeros(len(springs)) # XPBD 拉格朗日乘子
alpha = compliance # 柔度/时间步相关，此处简化
for _ in range(iters):
for s_idx, (i, j, rest_len) in enumerate(springs):
w_sum = inv_mass[i] + inv_mass[j]
if w_sum == 0:
continue # 两端均固定，跳过
delta = pos[j] - pos[i]
dist = np.linalg.norm(delta)
if dist < 1e-9:
continue
# 约束值 C = |x_j - x_i| - rest_len
C = dist - rest_len
# XPBD 乘子更新
dlambda = (-C - alpha * lagrange[s_idx]) / (w_sum + alpha)
lagrange[s_idx] += dlambda
# 位置修正（按逆质量分配）
correction = (dlambda / dist) * delta
pos[i] -= inv_mass[i] * correction
pos[j] += inv_mass[j] * correction
return pos
def pbd_cloth_step(pos, vel, inv_mass, springs, dt, ext_force, iters=10):
"""PBD 单步：预测 → 约束投影 → 速度更新"""
# 1. 预测位置（显式 Euler）
vel = vel + dt * ext_force * inv_mass[:, None]
predicted = pos + dt * vel
# 2. 约束投影（距离约束 + 此处可扩展碰撞约束）
solved = pbd_distance_constraint_solve(predicted, inv_mass, springs, iters)
# 3. 由位置变化反推速度
new_vel = (solved - pos) / dt
return solved, new_vel
上述 PBD 实现中，约束求解的迭代次数决定了布料的"等效刚度"——迭代越多越接近刚性约束。XPBD 通过拉格朗日乘子与柔度参数将刚度与迭代次数解耦，使材料参数能直接对应真实弹性模量。在实际 GPU 引擎中，约束求解循环会被展开为并行 kernel，每个约束由独立线程处理，位置修正通过原子操作写回，这正是凌迪团队 GPU 并行碰撞与约束处理方法的工程体现。
九、总结与展望
凌迪科技 SynReal 引擎的技术路径，清晰呈现了"从布料碰撞到具身智能训练世界"的演进逻辑：
- 底层算法积累：以王华民团队在 SIGGRAPH 等顶会的柔性仿真工作（GPU MAS 预条件器、排斥碰撞处理、亚毫米褶皱模拟、材料参数估计）为根基，构建了全球前列的柔性求解能力。
- 工程化封装：将 FEM、XPBD、GPU 并行碰撞检测整合为 SynReal Sim 实时引擎，并以接入 NVIDIA Newton 与 MuJoCo 补齐刚体动力学，形成柔刚统一的仿真底座。
- 训练闭环：通过 SynReal Arena（资产→仿真→合成数据三环节）与 SynReal Core（数据驱动策略模型），将仿真引擎升级为具身智能的训练基础设施，并用域随机化与系统辨识应对 Sim-to-Real Gap。
从技术趋势看，柔性仿真在具身智能中的价值正在凸显：真实世界中大量任务是柔性的（折叠、烹饪、清洁），而主流物理引擎在柔性方向恰恰是短板。SynReal 以柔性为差异化切入，结合 Newton/MuJoCo 的刚体能力，有机会在"柔性环境具身训练"这一细分但高价值的赛道建立壁垒。未来值得关注的几个技术方向包括：神经物理代理（learned physics surrogate） 用神经网络加速柔性求解、可微仿真支持基于梯度的策略优化、以及更大规模并行以支撑基础模型级的具身策略训练。
物理AI的核心，终究是让虚拟世界足够"真"。而在所有物理现象中，柔性形变或许是最难被计算、却也最贴近日常世界的那一类。凌迪的选择，是在这块最硬的骨头上持续打磨。
浙公网安备 33010602011771号