Převrat v robotice: NVIDIA učí roboty zvládat reálné úkoly s 80% úspěšností jen díky simulacím

Společnost NVIDIA představila na Mezinárodní konferenci o robotice a automatizaci (ICRA) sérii nových výzkumných prací, které ukazují, že roboti trénovaní výhradně v simulaci začínají spolehlivěji plnit úkoly v reálném světě.

Společnost NVIDIA představila na Mezinárodní konferenci o robotice a automatizaci (ICRA) sérii nových výzkumných prací, které ukazují, že roboti trénovaní výhradně v simulaci začínají spolehlivěji plnit úkoly v reálném světě. Tyto studie se zaměřují na jednu z největších výzev v robotice: zmenšení „propasti mezi simulací a realitou“, kdy stroje trénované ve virtuálním prostředí mají potíže při nasazení mimo kontrolované laboratorní podmínky.

NVIDIA Research uvedla, že osm jejích přijatých prací na ICRA demonstrovalo pokroky v robotické navigaci, uchopování, montáži a uvažování pomocí systémů založených na simulaci. Cílem projektů je pomoci robotům adaptovat se na nepředvídatelná prostředí reálného světa, namísto aby se spoléhali na rigidní, předem naprogramované chování. Práce zahrnuje několik oblastí robotiky, včetně koordinace více ramen, navigace humanoidů, manipulace s objekty a modelů vidění-jazyka-akce, které robotům umožňují promyslet úkoly před jejich provedením.

Jedním z vyzdvihovaných systémů je COMPASS, který trénuje roboty výhradně v simulacích NVIDIA Isaac Lab, než se tyto dovednosti přenesou na různá fyzická robotická těla. Vědci uvedli, že tento rámec dosáhl přibližně 80% úspěšnosti ve 20 reálných navigačních testech zahrnujících autonomní mobilní roboty a humanoidy, přičemž průměrné míry úspěšnosti se zlepšily 4,5krát ve srovnání s výchozími metodami učení napodobováním.

Další projekt, Grasp-MPC, se zaměřil na robotické uchopování v přeplněném prostředí. Namísto spoléhání se na pevný plán pohybu systém nepřetržitě upravuje svůj pohyb při přibližování se k objektům. Výzkumníci trénovali model pomocí dvou milionů simulovaných trajektorií zahrnujících 8 000 objektů. Při testování v reálném světě systém dosáhl přibližně 75% úspěšnosti uchopení neznámých objektů, ve srovnání s 41% u výchozích metod.

Vědci z NVIDIA také vyvinuli systém nazvaný Deformable Cluster Manipulation, určený pro manipulaci se zamotanými nebo flexibilními materiály, jako jsou větve stromů kolem elektrického vedení. Tento rámec trénuje roboty, aby používali celé své rameno namísto pouhého chapadla, což strojům umožňuje shromažďovat nebo odklízet shluky objektů způsobem, který připomíná lidský pohyb.

Několik prací se rovněž zaměřilo na zlepšení schopností robotické montáže a uvažování. Rámec SPARR rozděluje robotickou montáž do dvou fází. Politika nejprve učí montážní strategie v simulaci, zatímco druhá vrstva běžící na reálném hardwaru koriguje chyby způsobené rozdíly mezi simulací a fyzickým prostředím. Vědci uvedli, že tato metoda zlepšila míru úspěšnosti montáže o 38 procent a zkrátila dobu cyklu přibližně o 30 procent ve srovnání s výchozími metodami přenosu ze simulace do reality bez předchozího tréninku.