为什么需要 OceanScale
- 01
真实海上测试昂贵到锁死创新节奏
出海一天 ¥10,000–¥100,000+(船时 + 人员 + 设备折旧)。设备损坏率高(海水腐蚀、压力、缠绕、丢失)。环境不可重复(洋流、能见度、生物干扰)。进度受天气与季节限制。没有高保真仿真,迭代速度被自然界设了上限。
- 02
CFD 太慢,RL 训练根本不可达
高保真 CFD 计算 1 秒物理需要 1–100 小时。RL 训练所需的 1M+ episodes 在数量级上根本无解。即使 GPU 加速的 CFD 也无法达到 real-time × 1000 倍的实际门槛。
- 03
现有水下仿真器浪费现代 GPU 算力
Gazebo / UWSim / HoloOcean 仍是单线程 CPU,几十到几百 FPS,完全发挥不出 RTX 5090 / H100 的真实能力。多智能体与多场景并行能力极差。
- 04
Sim-to-real gap 仍卡死策略上桥
流体动力学保真度不足导致策略迁移失败。缺乏有原理的 sim-to-real 校准方法。水下传感器(sonar、camera)仿真常被过度简化 —— 模型在仿真里完美,在水里崩溃。
- 05
AI-native 接口缺失,生态没追上时代
gym/gymnasium 适配缺失或质量低劣。多智能体场景支持差。多模态海洋数据集(sonar/optical/IMU)不开放,基础模型训练受困于数据稀缺。
OceanScale 的能力
完整 RL 训练管线
RTX 5090 单卡实测。环境到策略,端到端在仿真里跑通。
Fossen 多环境吞吐
8192 并行环境,Fossen 6-DoF 内核。900× 目标已达成。
海洋机器人专属物理核
刚体动力学 + SPH 流体仿真,为海洋场景定制。
GPU-native 物理 + 渲染栈
Anthropic + NVIDIA + Lightwheel + Apple 联合维护的 Newton 引擎。
RL 接口即插即用
rl_games / stable-baselines3 / RSL-RL 直接接入。
真实海洋场景库
船 / AUV / ROV / 传感器资产 + procedural ocean 生成。
演示
BlueROV2 RL 训练
RTX 5090 单卡,完整训练管线实测。11,435 FPS 单环境。
多 AUV 编队
多智能体协同导航与避障。
SPH 流体可视化
实时流体场可视化,GPU-native SPH 内核。
性能基准
| 指标 | OceanScale | UWSim | HoloOcean | Gazebo |
|---|---|---|---|---|
| Single-env FPS (RTX 5090) | 11,435 | ~200 | ~500 | ~100 |
| Multi-env throughput @ 8192 envs | 90 M env-steps/s | — | — | — |
| Multi-env parallel scaling | 8192+ | — | partial | partial |
| GPU-native physics | Newton | — | — | — |
| RL gym 接口 | 原生 | 3rd-party | 3rd-party | 3rd-party |
| SPH 流体 kernel | ✓ | — | — | — |
| Fossen 6-DoF | ✓ | ✓ | partial | — |
| ROS 2 集成 | v0.3 | ✓ | ✓ | ✓ |
OceanScale 数据来自 W2 实测 (2026-05-15, RTX 5090)。其他工具数据来自各自官方文档与社区报告,实际值因场景与硬件而异。
联系我们
欢迎研究机构、产业伙伴、潜在 design partners 通过邮件联系。代码访问仅向 design partners 开放。
代码仓库私有 (GitHub) · 仅向 design partners 开放访问。