NVIDIA и партнеры усовершенствуют симуляцию для обучения роботов щекотливым заданием
Технологическая компания NVIDIA вместе с партнерами представляет новые разработки для симуляции, позволяющие тренировать роботизированные системы выполнять задачи, требующие высокой точности. Эти достижения будут представлены на конференции Conference on Robot Learning (CoRL) в Остине, Техас.
Если раньше симуляция была ключевым инструментом для обучения роботов основам движения — ходьбе, скольжению или прыжкам, то теперь она помогает исследователям обучать роботов более сложным манипуляциям: соединению шестерен, подключению кабелей и сборке мелких компонентов. Этот переход от локомоции к манипуляциям вместе с развитием агентной робототехники становится центральной темой конференции CoRL.
NVIDIA представляет на CoRL новые открытые технологии для робототехники, включая модели мировых действий (world action models), симуляционные инструменты, бенчмарки и агентные рабочие процессы.
Среди тысяч представленных на CoRL работ две презентации от NVIDIA вошли в шесть финалистов премии Best Paper Awards:
Эти разработки позволяют тренировать роботов для сложных задач, оценивать их производительность в различных условиях и использовать данные об ошибках для дальнейшего совершенствования, что критически важно для перехода от лабораторных демонстраций к промышленному внедрению.
Следующий уровень автономности роботов требует от них способности воспринимать окружающих, предусматривать последствия своих действий и выполнять сложные многоэтапные задачи с высокой точностью. Именно для этого предназначены модели мировых действий.
NVIDIA представляет GR00T 2 – открытую модель мировых действий, построенную на базе NVIDIA Cosmos. Ученая на различных данных, включая 100 000 часов открытого датасета человеческих эгоцентрических данных от NVIDIA, эта модель позволяет работам осваивать навыки ловкой манипуляции.
Ключевые преимущества GR00T 2:
GR00T 2 уже показывает высокие результаты на бенчмарках RoboCasa365, RoboLab, RoboDojo и MolmoSpaces. Компании Nexuni, Foxconn и Siemens уже тестируют ее для разных промышленных приложений.
NVIDIA Isaac Lab, открытый фреймворк для обучения роботов, является основой этих разработок. Его последняя версия, Лабораторная работа Исаака 3.0, позволяет исследователям быстро создавать учебные среды с готовыми к симуляции активами, переключаться между физическими движками NVIDIA PhysX и Newton, выбирать рендереры для обучения на основе восприятия и применять новую библиотеку для посттренирования базовых моделей, таких как GR00T.
Точная физическая модель критически важна для переноса обученных навыков по симуляции на реальных роботов. Интеграция с Ньютон, открытым физическим двигателем, позволяет Isaac Lab моделировать деформированные объекты (кабели, ткань) и сложные шарнирные системы, такие как роботизированные руки.
Сочетание Isaac Lab и Newton обеспечивает высокую точность физики и масштабируемость, позволяя обучать тысячи симулированных роботов параллельно. В тесте на ловкую манипуляцию на основе зрения Isaac Lab 3.0 из Newton показал до 2.5 раз высшую пропускную способность во время тренировки по сравнению с Isaac Lab 2.3 из PhysX.
Разработчики расширяют возможности Newton. Компания Skild AI представила СТАЛИ (Scalable Throughput-optimized Engine for Embodied Learning) – новый физический двигатель для твердых тел, построенный на базе Newton, ускоряющий обучение роботов с помощью Isaac Lab. Flexion, FieldAI, Dyna Robotics, Walden Robotics и Dexmate используют эти технологии для тренировки и валидации своих роботизированных систем.
Кроме обучения, важно надежное выполнение задач при изменяющихся условиях. NVIDIA Isaac Lab-Arena — это открытый фреймворк для масштабированной оценки политик, позволяющий разработчикам создавать разнообразные и повторяющиеся тесты, запуская политики в тысячах вариаций параллельно. Это позволяет выявить условия, приводящие к сбоям, и сосредоточить дальнейшее обучение на устранении этих проблем.
DexBench и VABAR — два новых открытых бенчмарка, разработанных для оценки ловкости и адаптивности роботов в промышленных задачах с использованием Isaac Lab-Arena и Newton. DexBench охватывает 15 задач в четырех областях (ритейл, логистика, производство, гостеприимство), тестируя генерализацию по вариациям объектов, пространству и физике. VABAR (Variational Automation Benchmark for Agentic Robotics) от UC Berkeley и NVIDIA оценивает роботов по шести промышленным задачам со стандартизированными вариациями и уровнями сложности.
Для успешного выполнения задач работам необходимо координировать несколько навыков и адаптироваться к непредвиденным ситуациям. Агентная робототехника помогает решить проблему создания надежных программ для столь многоэтапных задач.
Фреймворк Graph-as-Policy (GaP) от UC Berkeley использует агентов для объединения отдельных навыков в приложениях для роботов. Агенты тестируют эти программы с помощью открытых технологий симуляции NVIDIA Isaac и усовершенствуют их на основе обнаруженных ошибок. Это позволяет масштабировать разработку с меньшим объемом данных, сохраняя при этом интерпретируемость программ для инженеров.
«Для меня агентная робототехника – это самое интересное технологическое развитие со времен Интернета в 1995 году», – отметил Кен Голдберг, профессор робототехники в UC Berkeley и один из руководителей проектов VABAR и GaP. Компания Ambi Robotics, Bosch Research и Siemens уже исследуют возможности GaP для своих агентных робототехнических рабочих процессов в различных промышленных сценариях.
джерело: NVIDIA
- Последние
- Популярные
- Ноябрь, 11
-
-
-
-
-
- Ноябрь, 10
-
-
-
-
-
-
-
-
-
-
-
-
-
-
Новости по дням
12 ноября 2026
