6.1 计算性能优化实战
6.1 计算性能优化实战
本节摘要：性能优化的第一课不是改参数，是测量——先给仿真做「性能画像」，搞清楚时间花在物理求解、碰撞检测、传感器还是渲染，再对症下杠杆。本节给出画像的测量方法、五大优化杠杆（步长、condim、碰撞配对、隔离接触、渲染降载）各自的原理与代价，以及一条从真实项目提炼的优化实录。多数「慢」的病根不在引擎，在无意识的配置浪费。
调校的第一站是速度。仿真太慢的后果不只是等得烦：训练吞吐减半、MPC 控制频率上不去、批量化实验排期翻倍。而「优化」最大的浪费是改错地方——把一个渲染瓶颈的模型调了半天物理参数。本节的方法论就从这里开始：先画像，后动刀。
学习目标
阅读完本节，你应当能够：
- 用计时分段的方法给仿真做性能画像，说出时间花在哪个阶段；
- 按性价比顺序使用五大优化杠杆，并说明每个杠杆的原理与代价；
- 判断自己的任务是否已经接近引擎的物理极限，该转投 GPU 路线还是继续榨 CPU。
一、先画像，后动刀
画像的意思是把每步仿真的耗时拆成阶段：物理推进、碰撞检测、传感器结算、渲染（如果有）。方法朴素但有效——分段计时加统计：
import mujoco import time import numpy as np model = mujoco.MjModel.from_xml_path("scene_big.xml") data = mujoco.MjData(model) # 粗画像：整步耗时 与 纯 forward 耗时 对比 t0 = time.perf_counter() for _ in range(1000): mujoco.mj_step(model, data) full = (time.perf_counter() - t0) / 1000 t0 = time.perf_counter() for _ in range(1000): mujoco.mj_forward(model, data) fwd = (time.perf_counter() - t0) / 1000 print(f"整步 {full*1e3:.2f} 毫秒 | 前向 {fwd*1e3:.2f} 毫秒") print(f"接触数均值参考: {data.ncon}")
对结果的读法有一条经验分界：如果 forward 占整步的九成以上，瓶颈在物理（继续往下读杠杆一至四）；如果整步远大于 forward，多出来的时间在传感器结算、渲染或你自己的环境代码（跳到杠杆五）。还有一个常被忽略的宏观账：用时间除以步长算「仿真与实时的倍速」——两毫秒步长每步花四毫秒，就是半倍速，训练吞吐的账要按这个倍速算，不能按单步毫秒数自我安慰。
二、五个杠杆：按性价比排序
杠杆一：condim 降维。 3.2 讲过 condim 决定每个接触算几个方向的力，这里兑现它的性能含义：约束行数随 condim 线性增长，全场从六降到三，约束求解的开销近乎减半。排查法是把模型的 condim 分布打印出来——某分拣项目全场默认六维，其实只有夹爪指腹需要高维，统一降到三加局部六维后吞吐涨了六成。代价：滚转扭矩类交互失真，按任务需要给关键 geom 单独升回。
杠杆二：碰撞配对裁剪。 碰撞检测的成本在候选对数量。contype 与 conaffinity 的位掩码机制（2.2 埋的伏笔）让「某些组之间永不互检」成为一行配置：颗粒与颗粒之外的所有物体、视觉件与一切、静态场景件彼此之间——这些配对默认都在白白检测。裁剪原则一句话：只为「可能产生有意义的力」的物体对保留碰撞检测。大场景（颗粒、多物体货架）的优化里，这一杠杆经常是单项收益最大的。
杠杆三：步长与迭代预算的再平衡。 步长翻倍，每秒物理量直接减半——前提是 3.3 的收敛性检查通过（步长加倍结论不变）。迭代预算同理：3.2 的体检单显示求解器常常三五次就收敛，而预算给了一百次——预算砍到实际用量的三倍，不影响结果只影响兜底。这两个杠杆改动成本为零，属于「白捡」类，但必须配验证实验，否则是在省性能的名字下偷精度。
杠杆四：隔离接触与模型分层。 物理上不相干的部分互相喂约束是大场景通病：机械臂的精细接触与远处静态货架的粗糙接触搅在同一个求解器里。解法是模型分层：静态环境做成「不动件」（或干脆无碰撞的视觉件），只在机械臂工作空间内布置精细碰撞几何；活动物体按需启用。极端场景还可以用多模型分时段仿真——只仿真当前交互区域，远处用低频或冻结。
杠杆五：渲染与传感器降载。 4.3 给过三招（降分辨率、降频采样、合批），这里补一条宏观判断：视觉观测任务的瓶颈几乎总在渲染侧，物理侧再怎么优化也无感。先画像确认，再决定是减载还是直接转 GPU 路线。
图 6-1 性能优化漏斗：先测量，再按性价比动刀
三、一条优化实录：从半倍速到三点五倍速
背景：某仓储分拣仿真，机器人加传送带加约两百件包裹，实时倍速零点五，训练排期不可接受。操作：先画像——forward 占整步百分之九十四，瓶颈在物理；打印 condim 分布，全场六维；数碰撞配对，包裹与包裹之外大量无效检测；查求解器体检单，迭代用量峰值十七次而预算一百。第一步全场 condim 降到三（指腹局部升六），倍速零点五到零点九；第二步裁剪包裹与传送带框架的碰撞、关闭视觉件碰撞，零点九到一点六；第三步迭代预算一百砍到六十、步长经收敛性检查翻倍到四毫秒，一点六到三点一；第四步把远处静态货架改成无碰撞视觉件，三点一到三点五。结果：七倍提速，任务成功率统计在优化前后差异小于百分之一。解读：四步杠杆全部来自本节的清单，没有一行「黑魔法」——性能问题绝大多数是配置税，不是引擎税。变式：如果画像显示瓶颈在渲染（视觉任务），同样的纪律换到 4.3 的三招；如果物理侧榨干仍不达标（画像确认、杠杆全用完），那是任务规模越过了 CPU 边界，正确动作是第七章的 MJX 路线，而不是继续在配置里找补。
本节要点回顾
- 画像先行：分段计时加实时倍速，先确认瓶颈在物理、渲染还是环境代码；
- 五杠杆按性价比：condim 降维、配对裁剪、步长与预算再平衡、模型分层、渲染降载；
- 白捡与验证分层：配置类改动零成本先做，步长类改动必须带收敛性检查；
- 三条纪律：一次改一项、留基线、写记录，没有基线的优化无法自证；
- 知道何时收手：CPU 榨干仍不够，转 GPU 路线是正解，不是配置的失败。
速度治好了，下一节治「行为不对」——接触与摩擦的参数病是试车场里最高发的故障，下一节用一整份实录讲透它。