我们的立场
海洋机器人发展的下一个十年,不应该由洋流和天气决定。
应该由仿真精度、GPU 算力,与 AI 智能体的训练速度决定。
我们造的,是让这一切发生的底层基础设施。
海洋机器人发展的五个枷锁
- 01
真实海上测试,昂贵到锁死创新节奏
出海一天 ¥10,000–¥100,000+。腐蚀、缠绕、设备丢失。环境不可复现,进度看天气。没有高保真仿真,迭代节奏被自然界设了上限。
- 02
CFD 太慢,RL 训练根本不可达
高保真 CFD:1 秒物理 = 1–100 小时计算。 RL 训练所需的 1M+ episodes 数量级不可达。 GPU 加速的 CFD 也够不到 real-time × 1000 倍的实战门槛。
- 03
现有水下仿真器,浪费现代 GPU 算力
Gazebo / UWSim / HoloOcean 仍是单线程 CPU,百级 FPS。 RTX 5090 / H100 的算力被白白浪费。多智能体并行能力接近零。
- 04
Sim-to-real gap,卡死策略上桥
流体保真度不足,策略迁移失败。缺乏可信的 sim-to-real 校准方法。传感器仿真常被过度简化 —— 仿真里完美,水里崩溃。
- 05
AI-native 接口缺失,生态没追上时代
gym/gymnasium 适配缺失或低质。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。
我们造的东西
完整 RL 训练管线
单卡端到端实测。环境到策略,全程在仿真里完成。
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,为海洋场景定制。
GPU-native 物理 + 渲染栈
Newton 引擎由 Anthropic + NVIDIA + Lightwheel + Apple 联合维护。Isaac Sim 6 渲染。
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。
技术栈
OceanScale 构建在开源 GPU 原生物理与渲染之上。我们跟随这个领域里最强团队的上游工作。
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(概念渲染,v0.3 上线)。
SPH 流体可视化
实时流体场可视化,GPU-native SPH 内核(概念渲染,v0.3 上线)。
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。
