NVIDIA validiert KI-geschulte Roboter in der realen Welt

Die Projekte zielen darauf ab, dass Roboter an unvorhersehbare reale Umgebungen angepasst werden, statt sich auf starre, skriptbasierte Verhaltensweisen zu verlassen.

Die Arbeiten umfassen mehrere Bereiche der Robotik, darunter die Koordination mehrerer Arme, die Navigation humanoider Roboter, die Manipulation, die es Robotern ermöglichen, Aufgaben zu durchdenken, bevor sie handeln.

Roboter verlassen das LaborEines der hervorgehobenen Systeme, COMPASS, trainiert Roboter vollständig in NVIDIA Isaac Lab-Simulationen, bevor diese Fähigkeiten auf verschiedene physische Roboterkörper übertragen werden.

Was die Studie zeigt

Die Forscher berichteten, dass das Rahmenwerk in 20 realen Navigationsversuchen mit autonomen mobilen Robotern und Humanoiden eine Erfolgsquote 80 Prozent erreichte und die durchschnittliche Erfolgsrate im Vergleich zu Imitationslern-Baselines um das 4,5-fache verbesserte.

Ein weiteres Projekt, Grasp-MPC, konzentrierte sich auf das Greifen unübersichtlichen Umgebungen. Anstatt sich auf einen festen Bewegungsplan zu verlassen, passt das System seine Bewegung kontinuierlich an, während es sich Objekten nähert. Die Forscher trainierten das Modell mit zwei Millionen simulierten Trajektorien, die 8.000 Objekte umfassten.

In realen Tests erreichte das System bei unbekannten Objekten eine Greifquote 75 Prozent, verglichen mit 41 Prozent bei Verwendung ein System namens Deformable Cluster Manipulation, das speziell für den Umgang mit verhedderten oder flexiblen Materialien wie Baumästen um Stromleitungen konzipiert ist.

Technik und Auswirkungen

Das Framework trainiert Roboter, ihren gesamten Arm einzusetzen, statt sich nur auf den Greifer zu verlassen, sodass Maschinen Cluster fegen können, ähnlich wie beim menschlichen Bewegungsmuster.

Intelligenterer Roboter entstehenMehrere weitere Arbeiten konzentrieren sich ebenfalls auf die Verbesserung der Montage- und Schlussfolgerungsfähigkeiten die robotische Montage in zwei Phasen.

Eine Politik lernt zunächst Montagestrategien in einer Simulation, während eine zweite Schicht, die auf realer Hardware ausgeführt wird, Fehler korrigiert, die durch Unterschiede zwischen der Simulation und der physischen Umgebung entstehen.

Was die Studie zeigt

Die Forscher gaben an, dass die Methode die Erfolgsraten der Montage um 38 Prozent steigert und die Zykluszeit im Vergleich zu Zero-Shot-Sim-to-Real-Referenzbaselines um rund 30 Prozent reduziert.

Ein weiteres System namens PEEK ermöglicht es Robotern, irrelevante visuelle Ablenkungen zu ignorieren und sich ausschließlich auf die Objekte zu konzentrieren, die zur Aufgabenerledigung benötigt werden. NVIDIA gab an, dass das Framework die Genauigkeit Welt für rein in Simulation trainierte Strategien um bis zu 41-fach verbessert.

Eine separate Zusammenarbeit zwischen der Carnegie Mellon University, der University of Utah und der University of Sydney führte SEAL ein, ein Framework, das entwickelt wurde, um zu verhindern, dass Roboter Handlungen ausführen, die.

Einordnung fuer Autofahrer

Die Methode ermöglicht es Robotern, mehrere Aktionssequenzen zu bewerten, bevor sie diejenige auswählen, die am besten mit der ursprünglichen Anweisung übereinstimmt.

Neben einzelnen Projekten teilte NVIDIA mit, dass ihr breiteres Robotik-Ökosystem weiterhin durch offene Datensätze und Simulationsplattformen wie Isaac Lab, Isaac GR00T X Embodiment Sim und Omniverse NuRec wächst.