NDEM 引擎。
一个 GPU 原生的实时颗粒离散元引擎：速度足以支撑大规模训练，并为控制策略向真实作业环境迁移提供物理仿真基础。
离散单元法（DEM）能够忠实刻画颗粒物理，但工程级 DEM 速度很慢。以铁矿粉仿真为例，典型时间步长约为 1×10⁻⁶ 秒，每仿真一秒的挖掘过程都要计算好几个小时。在这样的速度下，闭环策略训练根本无从谈起。
NDEM 能在约 1×10⁻⁴ 秒的时间步长下稳定运行，时间步长约为传统工程级 DEM 的 100 倍，而且不会发散；从自由流动的谷物到具有黏聚性的矿石，都能再现颗粒运动与相互作用。这正是“研究上的新奇尝试”与“可用于训练的引擎”之间的区别。
从第一天起就面向强化学习工作流设计。
它不是事后才接入训练循环的求解器，整个架构正是围绕大规模并行吞吐来构建的。
面向并行强化学习
无界面批量仿真，设计目标是直接接入大规模强化学习训练循环。
域随机化
在设计上允许在不同环境之间随机化物料参数（摩擦、黏聚力、粒径分布），以实现稳健的 Sim-to-Real 迁移。
大规模并行
架构的设计目标是扩展到数千个并行颗粒环境，并以快于实时的速度运行。
确定性回放
设计上支持精确复现每一次 rollout，这对调试策略和验证结果至关重要。
面向 NVIDIA 机器人生态的一流颗粒求解器。
NDEM 基于 Warp 构建并与 Newton 耦合，这是进入 Isaac Lab 和 Isaac Sim 的原生路径，而机器人团队本来就在这些平台上训练。
GPU 原生内核。NDEM 直接基于 Warp 编写，因此运行在机器人学习工作负载本来所在的平台上。
我们已经演示了与 Newton 的 Featherstone 求解器的双向耦合：机械臂在颗粒介质中挖掘，力在两个方向上相互传递。
将 NDEM 作为一流颗粒求解器贡献到 NVIDIA 机器人学习生态的原生路径。
真实的物料，真实的几何。
深厚的物料标定经验
我们在 DEM 与散料领域有二十年现场工作经验，一直用实测现场数据标定颗粒物料。我们希望与合作伙伴和客户一起，把这些经验沉淀为经过验证的物料数据库，详见下方路线图。
基于 CAD 的数字孪生
直接用 CAD 建模真实的地形、爆堆或铲斗几何，也就是机器人实际要面对的作业现场，而不是简化的替代模型。
NDEM 已演示与 Newton 的 Featherstone 求解器双向耦合：机器人在颗粒介质中挖掘。
发布引擎基准测试，并推出集成在 Newton + Isaac Lab 中的 NDEM 求解器（测试版）。
开展首个机器人客户试点，与合作伙伴和客户逐个现场共建经过标定的物料数据库。
想把颗粒仿真引入您的机器人技术栈？
无论是强化学习训练环境、数字孪生，还是 Newton / Isaac Sim 集成，告诉我们您在建模什么，我们会帮您把 NDEM 接入您的工作流程。