Roboterlernen
Steuerungsregeln für Roboter in der Simulation für eine reale Anpassungsfähigkeit trainieren.
Workloads
Simulation / Modellierung / Design
Robotik
Branchen
Fertigung
Gesundheitswesen und Biowissenschaften
Einzelhandel/Konsumgüter
Smart Cities/Spaces
Geschäftsziel
Innovation
ROI Rentabilität
Produkte
NVIDIA Omniverse
NVIDIA Isaac
NVIDIA Jetson
Überblick
Entwicklung von Steuerungsregeln für generalistische Roboter
Vorprogrammierte Roboter für bestimmte, sich wiederholende Aufgaben können zwar nützlich sein, haben jedoch einen entscheidenden Nachteil. Sie arbeiten mit festen Anweisungen in festgelegten Umgebungen, was ihre Anpassungsfähigkeit an unerwartete Änderungen begrenzt.
KI-gesteuerte Roboter überwinden diese Einschränkungen durch simulationsbasiertes Lernen und können unter dynamischen Bedingungen autonom wahrnehmen, planen und handeln. Sie können neue Fähigkeiten erwerben und verfeinern, indem sie erlernte Regeln anwenden – Verhaltensweisen für Navigation, Manipulation und mehr – um ihre Entscheidungsfindung in verschiedenen Situationen zu verbessern, bevor sie in der realen Welt eingesetzt werden.
Quick-Links
Warum simulationsbasiertes Roboterlernen?
Flexibilität und Skalierbarkeit
Verwenden Sie einen Sim-First-Ansatz, um Hunderte oder Tausende von Roboterinstanzen parallel zu trainieren und reale Roboterdaten und synthetische Daten von AMRs, Armen und humanoiden Robotern zu kombinieren.
Beschleunigte Entwicklung von Fähigkeiten
Trainieren Sie Roboter in physikalisch genauen Simulationsumgebungen, um sie an neue Aufgabenvariationen anzupassen und die Lücke zwischen Simulation und Realität zu verringern.
Sichere Testumgebung
Testen Sie potenziell gefährliche Szenarien, ohne die Sicherheit von Menschen zu riskieren oder Geräte zu beschädigen.
Reduzierte Kosten
Vermeiden Sie Kosten für die Erfassung und Kennzeichnung von realen Daten, indem Sie große Mengen synthetischer Daten generieren, trainierte Steuerungsregeln für Roboter in der Simulation validieren und schneller mit Robotern bereitstellen.
Lernalgorithmen für Roboter
Algorithmen für Roboterlernen können Robotern helfen, erlernte Fähigkeiten zu generalisieren und ihre Leistung in sich ändernden oder neuartigen Umgebungen zu verbessern. Es gibt verschiedene Ansätze, darunter:
- Imitationslernen: Der Roboter kann aus Demonstrationen von Aufgaben durch Menschen oder andere Roboter sowie aus Video- oder Sensordaten von Agenten lernen, die das gewünschte Verhalten ausführen.
- Bestärkendes Lernen: Dieser Ansatz für bestärkendes Lernen bietet dem Roboter eine Belohnung oder eine Strafe, die auf seinen Handlungen basiert.
- Überwachtes Lernen: Mithilfe gekennzeichneter Daten wird der Roboter für bestimmte Aufgaben trainiert.
- Selbstüberwachtes Lernen: Wenn nur wenige gekennzeichnete Datensätze zur Verfügung stehen, kann der Roboter selbst aus unmarkierten Daten Trainingslabels generieren, um relevante Informationen zu extrahieren.
Technische Umsetzung
Robotern das Lernen und Anpassen beibringen
Ein typischer End-to-End-Roboter-Workflow umfasst die Datenverarbeitung, das Modelltraining, die Validierung in der Simulation und die Bereitstellung in Form eines echten Roboters.
Datenverarbeitung: Um Datenlücken zu schließen, muss ein vielfältiger Satz hochwertiger Daten verwendet werden, der Daten im Internet-Maßstab, synthetische Daten und reale Roboterdaten kombiniert. Entwickler können synthetische Daten in großem Maßstab mit dem Blueprint für physische KI kuratieren, erweitern und bewerten, der für die Feinabstimmung und Policy-Evaluierung in Isaac Lab-Arena verwendet werden kann.
Training und Validierung in der Simulation: Roboter müssen für aufgabenorientierte Szenarien trainiert und eingesetzt werden und benötigen genaue virtuelle Darstellungen von realen Bedingungen. Das NVIDIA Isaac Lab, ein Open-Source-Framework für Roboterlernen, kann das Trainieren von Steuerungsregeln für Roboter unterstützen, indem es Techniken für bestärkendes Lernen und Imitationslernen in einem modularen Ansatz verwendet.
Isaac Lab ist nativ in NVIDIA Isaac Sim – eine offene Referenzanwendung für Robotersimulation, die auf NVIDIA Omniverse-Bibliotheken basiert – integriert, die GPU-beschleunigte NVIDIA PhysX-Physik und RTX-Rendering für eine hochpräzise Validierung nutzt. Dieses einheitliche Framework ermöglicht es, Steuerungsregeln in einfachen Simulationsumgebungen schnell zu erproben, bevor sie in Produktivsystemen bereitgestellt werden.
Isaac Lab-Arena basiert auf Isaac Lab und ist ein Open-Source-Framework für die skalierbare Policy-Evaluierung in der Simulation, das optimierte APIs bietet, um die Kuratierung und Diversifizierung von Aufgaben zu vereinfachen.
Implementierung im realen Roboter: Die trainierten Steuerungsregeln für Roboter und KI-Modelle können mit NVIDIA Jetson™ Systemen bereitgestellt werden, die in Robotern eingebettet sind und die erforderliche Leistung und funktionale Sicherheit für einen autonomen Betrieb bieten.
Imitationslernen und bestärkendes Lernen für Roboter
Imitationslernen
Während das Imitationslernen humanoiden Robotern ermöglicht, neue Fähigkeiten zu entwickeln, indem sie Vorführungen von Experten nachempfinden, ist die Erfassung realer Bewegungsdaten oft teuer und arbeitsintensiv.
Um diese Herausforderung zu bewältigen, können Entwickler die NVIDIA Isaac GR00T-Mimic und GR00T-Dreams-Blueprints nutzen, die auf NVIDIA Cosmos™ basieren, um große, vielfältige synthetische Bewegungsdatensätze für das Training zu erzeugen.
Diese Datenbestände können dann verwendet werden, um die offenen Isaac-GR00T-N-Foundation-Modelle innerhalb des Isaac Lab zu trainieren und generalisiertes humanoides Schlussfolgern und das Erlernen zuverlässiger Fähigkeiten zu ermöglichen.
bestärkendes Lernen
Nutzen Sie Isaac Lab, um hochpräzise Simulationen physikalischer Vorgänge durchzuführen, Belohnungsfunktionen zu berechnen und wahrnehmungsgesteuertes bestärkendes Lernen (Reinforcement Learning, RL) in modularen, anpassbaren Umgebungen zu ermöglichen.
Beginnen Sie damit, eine Vielzahl von Robotern in verschiedenen Umgebungen zu konfigurieren, RL-Aufgaben zu definieren und Modelle mit GPU-optimierten Bibliotheken wie RSL RL, RL-Games, SKRL und Stable Baselines3 zu trainieren – alle nativ von Isaac Lab unterstützt.
Isaac Lab bietet flexible Arbeitsabläufe – entweder direkt oder über eine zentrale Verwaltungsstruktur („Manager-basiert“) definiert –, sodass Sie die Kontrolle über die Komplexität und Automation Ihrer Training-Jobs haben.
Sie können auch Newton verwenden – eine GPU-beschleunigte Open-Source-Physik-Engine, die auf NVIDIA Warp basiert, für hochgeschwindigkeits-, physikalisch genaue, differenzierbare Simulationen.
Darüber hinaus ermöglicht NVIDIA OSMO – eine Cloud-native Orchestrierungsplattform – die effiziente Skalierung und Verwaltung von komplexen, mehrstufigen und mit mehreren Containern realisierten Robotik-Workloads in Multi-GPU- und Multi-Node-Systemen. Dies kann die Entwicklung und Bewertung von Regeln für das Roboterlernen erheblich beschleunigen.
Quick-Links
Partnernetzwerk
Ökosystem
FAQs
Herkömmliche Roboter werden in der Regel mit festen Skripten gesteuert, in denen Ingenieure schrittweise Anweisungen und Regeln von Hand programmieren. Beispiel: „Zu dieser genauen Position bewegen und dann den Greifer schließen, wenn dieser Sensorwert über einem Schwellenwert liegt.“ Roboterlernen in der Simulation trainiert stattdessen KI-Strategien, die Sensoreingaben (wie Kamerabilder und Gelenkzustände) auf Aktionen abbilden. Dadurch können Roboter vor der Bereitstellung virtuelle Umgebungen autonom wahrnehmen, planen und in ihnen handeln. Außerdem können sie sich an Variationen anpassen, die nicht explizit programmiert wurden.
Simulationsbasiertes Lernen findet Anwendung in vielen Ausführungsformen, darunter autonome mobile Roboter, autonome Fahrzeuge, Roboterarme und humanoide Roboter. Zu den typischen Aufgaben gehören Navigation, Fortbewegung, Objektmanipulation und koordinierte Workflows in Fabriken, Lagern, Krankenhäusern und Einzelhandelsräumen.
Isaac Sim bietet hochpräzise Physik- und Sensorsimulationen, während das Open-Source-Isaac Lab es in Tausende von parallelen GPU-beschleunigten Umgebungen skaliert. Zusammen generieren sie enorme Mengen an synthetischen Daten, um die offenen Isaac GR00T N-Vision-Language-Action-Modelle zu optimieren. Dadurch können Entwickler Robotern Aufgaben und roboterspezifische Fähigkeiten in der Simulation vor der Bereitstellung in der realen Welt beibringen.
Ein gängiger Workflow beginnt mit der Verarbeitung verschiedener Daten aus realen Robotern, synthetischen Daten und Quellen im Internet-Maßstab. Strategien werden dann in Isaac Lab und Isaac Sim trainiert und validiert und schließlich auf Recheneinheiten auf dem Roboter wie NVIDIA Jetson für den realen Betrieb bereitgestellt.
Durch das Training und die Validierung von Strategien in physikalisch genauen Simulationsumgebungen können Teams den Long-Tail von Randfällen, gefährliche Szenarien und seltene Ereignisse sicher testen. Dies reduziert die Notwendigkeit umfangreicher Experimente direkt am Roboter, senkt den Hardwareverschleiß sowie das Risiko und trägt dazu bei, Policies zuverlässiger in reale Umgebungen zu übertragen.
Quick-Links
RTX PRO Server – die beste Plattform für industrielle und physische KI
NVIDIA RTX PRO Server beschleunigen alle Workloads für industrielle Digitalisierung, Robotersimulation und die synthetische Datengenerierung.