Simulately：机器人学习物理仿真器的「大众点评」

痛点故事

2024年暑假，北京某高校机器人实验室里，研二学生小王正在为导师布置的「仿真器选型」任务焦头烂额。他需要用强化学习训练一个双足机器人走路，但面对 Isaac Sim、Mujoco、Gazebo、SAPIEN、Genesis、CoppeliaSim、PyBullet、Isaac Gym……每款仿真器都有各自的文档、API 和坑，一一踩坑成本极高。更让他头疼的是，这些仿真器横跨不同平台（NVIDIA 专用/Linux原生/Cross平台），有的不开源，有的不支持GPU并行，有的物理精度高但渲染拉胯——没有一份统一的对比基准，他根本不知道从哪里下手。

就在他一筹莫展之际，导师甩给他一个链接：simulately.wiki。打开一看——一张表，覆盖8款主流仿真器的物理引擎、渲染方式、传感器支持、GPU加速、开源状态，一目了然。这就是 Simulately。

项目背景

Simulately 是一个由 RoboVerseOrg 团队维护的开源机器人物理仿真器对比知识库，托管在 GitHub（547 Star、28 Fork），定位类似「机器人仿真器版大众点评」。项目创始团队来自港科大、清华、Stanford 等顶级机构，核心成员包括 Haoran Geng、Yuyang Li、Yuzhe Qin（现 Stanford）等活跃于 IROS/CoRL/NeurIPS 的研究人员。

项目的核心价值在于系统性整合机器人仿真领域的碎片化信息。过去，研究者需要翻阅大量论文、官方文档和论坛帖子才能了解各仿真器的特性；Simulately 通过统一的评测框架，让对比变得高效、直接。项目还配套提供 code/rendering 等实测代码（位于 code 分支），确保对比数据可复现。

核心功能

仿真器全面对比

Simulately 收录了以下8款主流仿真器的详细对比信息：

仿真器	物理引擎	渲染方式	GPU加速	开源	适用场景
Isaac Sim	PhysX 5	光栅化+光线追踪	✅	❌	NVIDIA 生态工业机器人
Isaac Gym	PhysX 5+Flex	光栅化	✅	❌	强化学习大规模并行训练
SAPIEN	PhysX 5+Warp	光栅化+光线追踪⭐	✅	✅	物体级别交互的灵巧操作
MuJoCo	MuJoCo	光栅化	✅(MJX)	✅	接触动力学/最优控制
PyBullet	Bullet	光栅化	❌	✅	快速原型/教育/简单场景
CoppeliaSim	多引擎切换	光栅化	❌	✅	教学/多机器人协同
Gazebo	Bullet/ODE/DART	光栅化	❌	✅	ROS生态/室外移动机器人
Genesis	Genesis自研	光栅化+光线追踪	✅	✅	前沿研究/超高速仿真

每个仿真器都有独立文档页面，包含官方资料链接、核心特性、优劣势分析，以及实测渲染速度对比数据。

渲染速度实测基准

Simulately 不只是文字对比，更有代码支撑的实测数据。团队搭建了相同场景，分别在多款仿真器中渲染，记录帧率。评测在两台不同机器上进行，代码完全开源（code/rendering 分支），确保结果可复现。这种「可验证的对比」让 Simulately 区别于普通的链接收集项目。

领域知识体系

除了仿真器横向对比，项目还系统整理了机器人仿真领域的关键子领域文档：

• 不同iable Physics（可微物理）：梯度可计算的物理仿真，用于优化控制
• 软体仿真（Soft Body/Fluid）：布料、柔性物体的物理模拟
• 触觉传感（Tactile）：力/触觉传感器的仿真支持
• 强化学习工具链：Spinning Up、RLlib 等与仿真器的集成方案
• 数据集与资源：Maniskill 等主流仿真数据集汇总

工具包矩阵

Simulately 还收录了与仿真密切相关的工具库：Articulation（关节构型）、Mesh处理（凸分解 ConvexDecomp）、点云/图像处理、FFmpeg视频合成、Pose 标注等，这些都是机器人物理仿真中「高频但零散」的基础设施。

技术架构

Docusaurus 静态网站

Simulately 基于 Docusaurus 2.4.3 构建，这是一个由 Meta（Facebook）发起的文档框架，底层使用 React 17 + MDX（Markdown + JSX）。Docusaurus 以 Markdown 为内容源，通过插件系统支持公式（KaTeX）、搜索（Algolia DocSearch）和图片优化。项目源码即文档本身，所有对比数据、仿真器介绍都以 .md 文件存储在 docs/ 目录下，实现了「代码即文档」的轻量级协作模式。

项目部署在 Cloudflare Pages，利用其全球 CDN 实现文档的高速访问，同时支持自定义域名（simulately.wiki）。

技术栈概览

• 主语言：TypeScript + JavaScript（Node.js >= 16.14）
• 框架：Docusaurus 2.4.3（React 17）
• 渲染引擎：MDX（Markdown + JSX 混合）
• 插件：@docusaurus/plugin-ideal-image（图片优化）、Algolia DocSearch（全文搜索）
• 依赖：rehype-katex（数学公式）、remark-math、@docsearch/js
• 内容管理：纯 Markdown，存储在 docs/ 目录，结构化分类（docs/2_simulators/、docs/4_domain/ 等）

分支策略

项目采用双分支策略：

• main 分支：文档网站源码（本文档所在分支）
• code 分支：仿真器评测实验代码（rendering 评测代码、getting_started 教程等）

这种设计让文档和实验代码分离，避免大型二进制文件或仿真依赖污染文档分支。

贡献者生态

Simulately 的贡献者图谱展现了机器人学界的「产学研」融合特征。18 位贡献者来自：

• 港科大（HKUST）：Haoran Geng（项目发起人，个人主页：geng-haoran.github.io）
• Stanford：Yuzhe Qin（机器人学顶会常客）
• 清华：Yuyang Li、Ran Gong 等
• 华盛顿大学：Puhao Li
• 港中文：Yuanpei Chen

项目采用 all-contributors 规范管理贡献者列表，每个贡献者都有对应的 GitHub 头像和个人主页链接，形成了以研究机构为核心的开源协作网络。

上手体验

部署难度：极简

Simulately 本身是一个 Docusaurus 静态网站，部署极为简单：

git clone https://github.com/RoboVerseOrg/Simulately.git
cd Simulately
npm install
npm run start   # 浏览器自动打开 localhost:3000

仅需 Node.js >= 16.14 环境，无需 Docker、无需 GPU。文档修改后浏览器实时热更新（Hot Module Replacement），适合协作编辑。

不过需要注意的是，Simulately 本身不是物理仿真器，它是一个「关于仿真器的百科网站」。真正的仿真器（如 MuJoCo、Isaac Gym）需要独立安装，各有不同环境要求。

内容贡献流程

项目提供了 3 步贡献指南，任何人都可以通过 GitHub Pull Request 提交新的仿真器评测、工具包介绍或数据集信息。文档格式为标准 Markdown，门槛低，适合学生和新研究者快速参与开源。

行业意义与局限

填补空白

Simulately 的价值在于填补了机器人仿真器横向对比的教育资源缺口。此前，研究者想了解 Isaac Gym 和 MuJoCo 在强化学习训练上的差异，只能去读论文或逛论坛；Simulately 将这些信息结构化地汇聚在一起，大幅降低了认知成本。项目特别强调实测数据（而非仅文字描述），让对比具有可验证性。

局限性

然而，这个项目也有明显的局限性：

1. 内容覆盖依赖贡献者：8款仿真器中，Genesis 等新兴仿真器的介绍相对简略，更新频率不稳定
2. 缺乏动态评测：渲染速度对比是静态测试，无法反映最新版本性能变化
3. 无 API 接口：纯文档形式，无法程序化查询对比数据
4. 中文资源缺失：目前以英文为主，对中文机器人学社区的渗透有限

趋势观察

随着 Genesis（2024年底）以「世界最快物理引擎」（10~80x 加速）横空出世，机器人仿真器的格局正在快速演变。Simulately 作为这一领域的知识枢纽，其价值将随着新仿真器的涌现而持续增长。值得关注的是，Genesis 的部分「生成式能力」（gs.generate）尚未开源，Simulately 的评测内容也尚未覆盖这一部分。

总结

Simulately 是机器人仿真器领域一份难得的系统性知识资源，以「Wiki式协作 + 实测基准」的方式，为研究者和工程师提供了高效的选型参考。它的成功在于将碎片化的专业知识结构化，让原本需要数周调研才能了解的仿真器对比，变成打开一个网页就能获取的信息。虽然项目本身不是仿真器，但作为「仿真器版的罗盘」，它在机器人学习研究生态中扮演着不可或缺的角色。

如果你正在为机器人仿真器选型发愁，不妨先去 simulately.wiki 看看——那里或许有你需要的答案。