Aprendizaje de robots
Entrene políticas de robots en simulación.
Cargas de trabajo
Herramientas y técnicas de computación acelerada
Centro de datos/nube
Robótica
Simulación/Modelado/Diseño
Sectores
Atención sanitaria y ciencias de la vida
Fabricación
Venta minorista/Bienes de consumo envasados
Ciudades/espacios inteligentes
Objetivo comercial
Innovación
Retorno de la inversión
Productos
NVIDIA Isaac GR00T
NVIDIA Isaac Lab
NVIDIA Isaac Sim
NVIDIA Jetson AGX
NVIDIA Omniverse
-
Descripción
-
Implementación técnica
-
Ecosistema
Construir políticas de robots generalistas
Robots preprogramados funcionan utilizando instrucciones fijas dentro de entornos establecidos, lo que limita su adaptabilidad a cambios inesperados.
Los robots impulsados por IA abordan estas limitaciones a través del aprendizaje basado en simulación, lo que les permite percibir, planificar y actuar de forma autónoma en condiciones dinámicas. Con el aprendizaje de robots, pueden adquirir y refinar nuevas habilidades utilizando políticas aprendidas (conjuntos de comportamientos para navegación, manipulación y mucho más) para mejorar su toma de decisiones en varias situaciones.
Ventajas del aprendizaje de robots basado en simulación
Flexibilidad y escalabilidad
Itere, refine e implemente políticas de robots para escenarios del mundo real utilizando sus datos procedentes de diversas fuentes, desde datos capturados por robots reales hasta datos sintéticos en simulación. Esto funciona para cualquier realización de robots, como robots móviles autónomos (AMR), brazos robóticos y robots humanoides. El enfoque basado en "simulación primero" también le permite entrenar rápidamente cientos o miles de instancias de robots en paralelo.
Desarrollo de habilidades acelerado
Entrene robots en entornos simulados para adaptarse a nuevas variaciones de tareas sin necesidad de reprogramar hardware de robots físicos.
Entornos físicamente precisos
Modele fácilmente factores físicos como interacciones de objetos (rígidos o deformables), fricción, etc., para reducir significativamente la brecha de simulación a real.
Entorno de prueba seguro
Pruebe escenarios potencialmente peligrosos sin arriesgar la seguridad humana ni dañar el equipo.
Costes reducidos
Evite la carga de los costes de recopilación y etiquetado de datos del mundo real generando grandes cantidades de datos sintéticos, validando políticas de robots entrenadas en simulación e implementando en robots más rápido.
Algoritmos de aprendizaje de robots
Los algoritmos de aprendizaje de robots, como el aprendizaje de imitación o el aprendizaje de refuerzo, pueden ayudar a los robots a generalizar habilidades aprendidas y mejorar su rendimiento en entornos cambiantes o novedosos. Hay varias técnicas de aprendizaje, entre ellas:
- Aprendizaje de refuerzo: un enfoque de prueba y error en el que el robot recibe una recompensa o penalización basada en las acciones que realiza.
- Aprendizaje de imitación: el robot puede aprender de demostraciones humanas de tareas.
- Aprendizaje supervisado: el robot se puede entrenar utilizando datos etiquetados para aprender tareas específicas.
- Política de difusión: el robot utiliza modelos generativos para crear y optimizar acciones de robots para obtener los resultados deseados.
- Aprendizaje autosupervisado: cuando hay conjuntos de datos etiquetados limitados, los robots pueden generar sus propias etiquetas de entrenamiento a partir de datos no etiquetados para extraer información significativa.
Enlaces rápidos
Enseñe a los robots a aprender y adaptarse
Un flujo de trabajo de robots típico de extremo a extremo implica procesamiento de datos, entrenamiento de modelos, validación en simulación e implementación en un robot real.
Procesamiento de datos: para cerrar las brechas de datos, puede considerar un conjunto diverso de fuentes de datos de alta calidad combinando datos a escala de Internet, datos sintéticos y datos de robots en directo.
Entrenamiento y validación en simulación: los robots necesitan entrenarse e implementarse para escenarios definidos de tareas y requieren representaciones virtuales precisas de condiciones del mundo real. El marco de código abierto NVIDIA Isaac™ Lab puede ayudar a entrenar políticas de robots utilizando técnicas de aprendizaje de refuerzo y aprendizaje de imitación en un enfoque modular. Isaac Lab también se puede utilizar con las plataformas de simulación de desarrollo NVIDIA Isaac Sim™ o MuJoCo para crear prototipos e implementar rápidamente políticas de robots.
Una vez que el robot ha sido entrenado, su rendimiento se puede validar en Isaac Sim, una aplicación de simulación robótica de referencia basada en NVIDIA Omniverse™
Implementación en el robot real: las políticas de robots y los modelos de IA entrenados se pueden implementar en ordenadores sobre robots NVIDIA Jetson™ que ofrecen el rendimiento y la seguridad funcional necesarios para un funcionamiento autónomo.
NVIDIA Isaac GR00T para desarrolladores de robots humanoides
El aprendizaje de imitación, un subconjunto del aprendizaje de robots, permite a los humanoides adquirir nuevas habilidades al observar y imitar demostraciones humanas de expertos. Pero recopilar estos conjuntos de datos extensos y de alta calidad en el mundo real es tedioso, lento y prohibitivamente costoso.
NVIDIA Isaac GR00T ayuda a abordar estos desafíos al proporcionar a los desarrolladores de robots humanoides modelos básicos de robots, canalizaciones de datos y marcos de simulación.
Modelos de base
Los modelos de base abiertos de Isaac GR00T N son ideales para el razonamiento y las habilidades generalizadas de robots humanoides. Esta solución de realización cruzada toma entradas multimodales, como lenguaje e imágenes, para realizar tareas de manipulación en diversos entornos.
Procesos de generación de datos sintéticos
NVIDIA Isaac GR00T-Dreams es un blueprint que ayuda a generar grandes cantidades de movimiento sintético para enseñar a los robots nuevos comportamientos y cómo adaptarse a entornos cambiantes.
Los desarrolladores pueden empezar por entrenar posteriormente los modelos fundacionales mundiales (WFM) de Cosmos Predict 2 para su robot. Luego, utilizando una única imagen como entrada, GR00T-Dreams puede ayudar a generar varios vídeos del robot que realiza nuevas tareas en nuevos entornos. Luego, el Blueprint extrae tokens de acción, piezas de datos comprimidas y digeribles que se utilizan para enseñar a los robots cómo realizar estas nuevas tareas.
El Blueprint GR00T-Dreams complementa el Blueprint Isaac GR00T-Mimic. Si bien GR00T-Mimic utiliza NVIDIA Omniverse y Cosmos para aumentar los datos existentes, GR00T-Dreams utiliza Cosmos para generar datos completamente nuevos.
Enlaces rápidos
