Aprendizaje de robots
Entrene políticas de robots en simulación para la adaptabilidad al mundo real.
Cargas de trabajo
Simulación/Modelado/Diseño
Robótica
Sectores
Fabricación
Sanidad y biociencias
Comercio minorista/Bienes de consumo envasados
Ciudades y espacios inteligentes
Objetivo comercial
Innovación
Retorno de la inversión
Productos
NVIDIA Omniverse
NVIDIA Isaac
NVIDIA Jetson
Descripción
Construir políticas de robots generalistas
Si bien los robots preprogramados pueden ser útiles para tareas específicas y repetitivas, tienen un inconveniente principal. Operan utilizando instrucciones fijas dentro de entornos establecidos y esto limita su adaptabilidad a cambios inesperados.
Los robots impulsados por IA superan estas limitaciones a través del aprendizaje basado en la simulación y les permite percibir, planificar y actuar de forma autónoma en condiciones dinámicas. Pueden adquirir y perfeccionar nuevas habilidades utilizando políticas aprendidas (conjuntos de comportamientos para la navegación, la manipulación y mucho más) para mejorar la toma de decisiones en diferentes situaciones antes de implementarse en el mundo real.
Enlaces rápidos
¿Por qué el aprendizaje de robots basado en simulación?
Flexibilidad y escalabilidad
Utilice un enfoque centrado en la simulación para entrenar cientos o miles de instancias de robots en paralelo, combinando datos reales de robots y datos sintéticos de AMR, brazos y robots humanoides.
Desarrollo de habilidades acelerado
Entrene a robots en entornos de simulación físicamente precisos, lo que les ayuda a adaptarse a nuevas variaciones de las tareas y reducir la diferencia entre simulación y realidad.
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 pueden ayudar a los robots a generalizar las habilidades aprendidas y mejorar su rendimiento en entornos cambiantes o novedosos. Existen varias técnicas de aprendizaje, entre ellas:
- Aprendizaje por imitación: el robot puede aprender a partir de demostraciones de tareas de humanos u otros robots, así como de datos de vídeo o de sensores de agentes que realizan el comportamiento deseado.
- Aprendizaje de refuerzo: este enfoque de prueba y error otorga al robot una recompensa o una penalización en función de sus acciones.
- Aprendizaje supervisado: el robot puede entrenarse utilizando datos etiquetados para aprender tareas específicas.
- 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.
Implementación técnica
Enseñe a los robots a aprender y adaptarse
Un flujo de trabajo típico de robots de extremo a extremo implica el procesamiento de datos, el entrenamiento de modelos, la validación en simulación y la implementación en un robot real.
Procesamiento de datos: para superar las brechas de datos, utilice un conjunto diverso de datos de alta calidad que combine datos a escala de Internet, datos sintéticos y datos de robots reales. Los desarrolladores pueden seleccionar, aumentar y evaluar datos sintéticos a escala con Physical AI Blueprint, que se puede utilizar para ajustar precisamente los modelos y evaluar políticas en Isaac Lab-Arena.
Entrenamiento y validación en simulación: los robots deben entrenarse e implementarse para escenarios definidos por tareas y que requieran representaciones virtuales precisas de condiciones reales. NVIDIA Isaac Lab, un marco de código abierto para el aprendizaje de robots, puede ayudar a entrenar políticas de robots mediante el uso de técnicas de aprendizaje por refuerzo y aprendizaje por imitación en un enfoque modular.
Isaac Lab se integra de forma nativa con NVIDIA Isaac Sim™, una aplicación de simulación robótica de referencia, abierta y basada en las bibliotecas NVIDIA Omniverse™, a través del uso de la física de NVIDIA PhysX® acelerada por GPU y el renderizado RTX™ para una validación de alta fidelidad. Este marco unificado le permite crear prototipos rápidamente de políticas en entornos de simulación ligeros antes de implementarlas en sistemas de producción.
Basado en Isaac Lab, Isaac Lab-Arena es un marco de código abierto para la evaluación de políticas escalables en simulación que proporciona API optimizadas para simplificar la selección y la diversificación de tareas.
Implementación en el robot real: las políticas de robots y los modelos de IA entrenados se pueden implementar en NVIDIA Jetson™, ordenadores integrados en robots que ofrecen el rendimiento y la seguridad funcional necesarios para el funcionamiento autónomo.
Aprendizaje de imitación y aprendizaje por refuerzo para robots
aprendizaje por imitación
Si bien el aprendizaje de imitación permite a los robots humanoides desarrollar nuevas habilidades replicando demostraciones de expertos, la recopilación de conjuntos de datos reales a menudo resulta costosa y requiere mucha mano de obra.
Para superar este desafío, los desarrolladores pueden utilizar los blueprints NVIDIA Isaac GR00T-Mimic y GR00T-Dreams, basados en NVIDIA Cosmos™, a fin de producir grandes y diversos conjuntos de datos de movimiento sintético para el entrenamiento.
Estos conjuntos de datos se pueden utilizar para entrenar los modelos de base abierta de Isaac GR00T N dentro de Isaac Lab y un razonamiento humanoide generalizado y una adquisición robusta de habilidades.
aprendizaje de refuerzo,
Utilice Isaac Lab para realizar simulaciones físicas de alta fidelidad, realizar cálculos de recompensas y permitir el aprendizaje por refuerzo (RL) basado en la percepción dentro de entornos modulares y personalizables.
Empiece configurando una amplia variedad de robots en entornos variados, definiendo tareas de RL y entrenando modelos utilizando bibliotecas optimizadas para las GPU, como RSL RL, RL-Games, SKRL y Stable Baselines3, todos ellos compatibles de forma nativa con Isaac Lab.
Isaac Lab ofrece flujos de trabajo flexibles, ya sean directos o basados en gestores, para que tenga control sobre la complejidad y la automatización de sus trabajos de entrenamiento.
También puede utilizar Newton, un motor de física de código abierto acelerado por GPU y basado en NVIDIA Warp, para realizar simulaciones de alta velocidad, físicamente precisas y diferenciables.
Además, NVIDIA OSMO una plataforma de orquestación nativa de la nube, permite un escalado y una gestión eficientes de cargas de trabajo de robótica complejas, en varias etapas y contenedores en sistemas con varias GPU y varios nodos. Esto puede acelerar significativamente el desarrollo y la evaluación de políticas de aprendizaje para robots.
Enlaces rápidos
Ecosistema de colaboración
Ecosistema
Preguntas frecuentes
Los robots tradicionales suelen controlarse con scripts fijos que los ingenieros utilizan para codificar instrucciones y reglas paso a paso. Por ejemplo, «ir a esta posición exacta y, a continuación, cerrar la pinza si el valor de este sensor está por encima de un umbral». El aprendizaje de robots en la simulación entrena políticas de IA que asignan las entradas de los sensores (como imágenes de cámaras y estados de las articulaciones) a acciones. Esto permite a los robots percibir, planificar y actuar de forma autónoma en entornos virtuales antes de la implementación, así como adaptarse a variaciones que no se programaron explícitamente.
El aprendizaje basado en simulación se aplica a muchas configuraciones, como robots móviles autónomos, vehículos autónomos, brazos robóticos y robots humanoides. Las tareas típicas incluyen navegación, locomoción, manipulación de objetos y flujos de trabajo coordinados en fábricas, almacenes, hospitales y espacios minoristas.
Isaac Sim proporciona simulación física y de sensores de alta fidelidad, mientras que Isaac Lab de código abierto lo escala a miles de entornos paralelos acelerados por GPU. Juntos, generan cantidades masivas de datos sintéticos para ajustar con precisión los modelos abiertos de visión-lenguaje-acción de Isaac GR00T N. Esto permite a los desarrolladores enseñar tareas y habilidades específicas de robots en simulación antes de la implementación en el mundo real.
Un flujo de trabajo común comienza con el procesamiento de datos diversos de robots reales, datos sintéticos y fuentes a escala de Internet. Luego, las políticas se entrenan y validan en Isaac Lab e Isaac Sim y, por último, se implementan en el sistema de computación del robot, como NVIDIA Jetson, para funcionar en el mundo real.
El entrenamiento y la validación de políticas en entornos de simulación físicamente precisos permiten a los equipos probar de forma segura la cola larga de casos límite, escenarios peligrosos y eventos poco frecuentes. Esto reduce la necesidad de una experimentación exhaustiva con robots, disminuye el desgaste y los riesgos del hardware y ayuda a que las políticas se transfieran de forma más fiable a entornos reales.
Enlaces rápidos
RTX PRO Server, la mejor plataforma para IA industrial y física
NVIDIA RTX PRO Server acelera todas las cargas de trabajo de digitalización industrial, simulación de robots y generación de datos sintéticos.