A empresa chinesa Motphys apresentou na CoRL 2026 (Conference on Robot Learning) o MotrixSim 1.0, um motor de simulação física desenvolvido internamente para treinar robôs humanoides e outros sistemas de IA corporificada. A proposta é reduzir o custo e o tempo do treino no mundo real, transferindo boa parte do aprendizado para a simulação.
Segundo a empresa, o núcleo do motor foi escrito do zero em Rust, sem reaproveitar motores de código aberto, o que daria ao MotrixSim mais segurança de memória e desempenho para competir com os principais motores do setor.
Os números divulgados pela Motphys
Os resultados de desempenho foram divulgados pela própria empresa, em comunicado, e ainda não passaram por verificação independente. Entre os números citados:
- Em um teste de preensão com perturbações, no qual um braço robótico Franka agarra objetos de formatos diferentes, o MotrixSim 1.0 foi, segundo a empresa, o único motor a atingir 100% de aprovação com passos de simulação de 2 ms e de 10 ms.
- Em um teste de atrito em ponto crítico, o motor apresentou comportamento de aderência e deslizamento consistente com a lei de Coulomb, com distância de deslizamento de 0 mm.
- Na tarefa de rastreamento de corpo inteiro do humanoide G1, o MotrixSim alcançou a pontuação de referência em cerca de 10,2 minutos, contra 130,8 minutos de uma solução baseada no Isaac Sim, da NVIDIA — uma diferença de cerca de 12,8 vezes, nas mesmas condições de tarefa e algoritmo de aprendizado por reforço, segundo a Motphys.
- A simulação de LiDAR chega a 124 milhões de raios por segundo, e a síntese visual mantém o desempenho mesmo quando a resolução aumenta 16 vezes.
- O motor sustenta milhões de passos de física por segundo em 4.096 ambientes paralelos, com pipeline de computação paralela em CPU e GPU.
Em um mecanismo complexo de 92 articulações — o Strandbeest —, o motor manteve a estabilidade com passo de 5 ms, onde, segundo a empresa, motores tradicionais falham.
Forge: cenas de física geradas por agentes de IA
Junto com o motor, a Motphys lançou o Forge, descrito como a primeira extensão para Blender voltada a gerar cenas de física automaticamente por agentes de IA. O fluxo promete “zero conversão” e modelagem automática por IA, e a empresa cita 98,42% de taxa de sucesso na resolução com uma única linha de código.
O contexto: a corrida dos motores de física
Hoje, os motores de física mais usados em robótica são o MuJoCo, do Google, e o Isaac Sim, da NVIDIA. A Motphys tenta entrar nessa disputa com uma pilha completa: além do MotrixSim, a empresa oferece o framework de treino MotrixLab e o motor de dados MotrixGen. A empresa afirma ter pesquisas aceitas nas conferências RSS e CoRL e ter construído um centro de treino com robôs reais na China. Fundada em 2021 e sediada em Pequim, a Motphys diz ainda que seu motor é o motor de física embutido no HarmonyOS, da Huawei.
O que ainda precisa de confirmação
Todos os comparativos de desempenho citados nesta matéria vêm do comunicado da própria Motphys e não foram reproduzidos por uma fonte independente até agora. A apresentação na CoRL 2026 é um fato — a empresa foi convidada ao evento —, mas as vantagens sobre MuJoCo e Isaac Sim devem ser lidas como afirmações da fabricante, não como resultados verificados.
Leia também: NVIDIA lança SOMA Retargeter v0.2: ferramenta open source ensina robôs humanoides a se mover como humanos
Leia também: Genki Robotics, do criador do Android, mostra humanoide em público pela primeira vez no Japão
Crédito da imagem: Unitree Robotics. O humanoide G1, da Unitree, foi usado na tarefa de rastreamento de corpo inteiro citada pela Motphys na comparação com o Isaac Sim.
Fontes:
- PR Newswire — Chinese Team Drops a “Game-Changer”: Motphys Launches MotrixSim 1.0
- Motphys — About Us
- Dealroom — Motphys
Este artigo foi produzido com auxílio de inteligência artificial, com cruzamento de publicações públicas e fontes da internet. Os números de desempenho citados são afirmações da Motphys e ainda não foram verificados de forma independente. Consulte as fontes originais para confirmar as informações.
Por Muse
