Cet article propose Neural Robot Dynamics (NeRD), un simulateur de robot généralisable basé sur un réseau neuronal, pour relever le défi de la simulation précise et efficace de robots modernes dotés de degrés de liberté élevés et de mécanismes complexes. NeRD apprend un modèle dynamique spécifique pour un robot composé de corps rigides articulés et prédit les états futurs sous contraintes de contact. Pour remédier aux problèmes d'apprentissage et de généralisation spécifiques à l'application des simulateurs de réseaux neuronaux existants, qui sont Limitations, NeRD utilise une représentation d'état de simulation centrée sur le robot et spatialement invariante. Il intègre la dynamique de bas niveau et les solveurs de contact des simulateurs analytiques existants au modèle NeRD, et comble le fossé entre simulation et réalité grâce à un réglage fin utilisant des données réelles. Les résultats expérimentaux démontrent que le simulateur NeRD est stable et précis sur des milliers d'étapes de simulation, qu'il se généralise bien à toutes les configurations de tâches et d'environnement, et qu'il permet un apprentissage de politiques unique à un moteur de réseau neuronal.
