perf: sync mjwarp CUDA graph capture from main (#1273)

[TATP-233]

Summary

将 main 的 mjwarp CUDA graph 优化（1939cfd4, #1273）同步到 dev 分支。dev 与 main 目前仅此一个提交的分叉；cherry-pick 内容与 main 完全一致（同一 patch，未来 dev↔main 收敛时可按 patch-id 干净合并）。

与 #1283（已合入）的 tracked body kinematics 兼容性：CUDA graph 只替换 step/forward/reset 的设备侧执行方式（固定地址 graph replay），_sensor_cache 仍在每个显式 barrier 由 _refresh_host_cache 下载，tracked body 视图语义不变。

本提交树与本地完整验证过的树逐字节一致（git diff 为空），以下验证直接有效：

Validation

• tests/base/test_mjwarp_cuda_graph.py：7 passed（默认 lane，fake 单测）。
• tests/base/test_mjwarp_backend.py + test_mjwarp_capabilities.py -m slow：7 passed（真实 CUDA；含 body-state parity 与 graph launch 顺序断言）。
• make test-all：通过（exit 0）。
• uv run train --algo sac --task g1_walk_flat --sim mjwarp 完整 5000 iterations：总耗时 4m04s → 2m27s（约 40% 提升，RTX 4090），训练与 play 视频渲染均正常。

Related: #1273, #1282, #1283