Aprendizaje Robótico
Entrene políticas de robots en simulación para la adaptabilidad al mundo real.
Cargas de Trabajo
Simulación / Modelado / Diseño
Robótica
Industrias
Manufactura
Área de la Salud y Ciencias Biológicas
Venta Minorista/ Bienes Empaquetados para el Consumidor
Ciudades/Espacios Inteligentes
Objetivo Empresarial
Innovación
Retorno de la Inversión
Productos
NVIDIA Omniverse
NVIDIA Isaac
NVIDIA Jetson
Descripción General
Construya Políticas de Robots Generalistas
Si bien los robots preprogramados pueden ser útiles para tareas específicas y repetitivas, tienen un inconveniente clave. Operan con instrucciones fijas dentro de entornos establecidos, lo que limita su adaptabilidad a cambios inesperados.
Los robots impulsados por IA superan estas limitaciones a través del aprendizaje basado en simulación, lo que les permite percibir, planificar y actuar de forma autónoma en condiciones dinámicas. Pueden adquirir y refinar nuevas habilidades mediante el uso de políticas aprendidas (conjuntos de comportamientos para la navegación, la manipulación y más) para mejorar su toma de decisiones en varias situaciones antes de implementarse en el mundo real.
Enlaces Rápidos
¿Por qué el aprendizaje robótico basado en simulación?
Flexibilidad y Escalabilidad
Use un enfoque de simulación para entrenar cientos o miles de instancias de robots en paralelo, combinando datos de robots reales y datos sintéticos en AMR, brazos y robots humanoides.
Desarrollo Acelerado de Habilidades
Entrene robots en entornos de simulación físicamente precisos, lo que les ayuda a adaptarse a nuevas variaciones de tareas y reducir la brecha entre la simulación y la realidad.
Entorno de Pruebas Seguro
Pruebe escenarios potencialmente peligrosos de forma segura, sin presentar riesgos de seguridad para los humanos o de daños en los equipos.
Costos Reducidos
Evite la carga de la recopilación de datos y de los costos de etiquetado del mundo real al generar grandes cantidades de datos sintéticos, validar políticas de robots entrenados en simulación e implementar robots más rápido.
Algoritmos de Aprendizaje de Robots
Los algoritmos de aprendizaje robótico pueden ayudar a los robots a generalizar habilidades aprendidas y mejorar su desempeño en entornos cambiantes o novedosos. Hay varias técnicas de aprendizaje, que incluyen:
- Aprendizaje por imitación: El robot puede aprender de demostraciones de tareas por parte de humanos u otros robots, así como de datos de video o sensores de agentes que realicen el comportamiento deseado.
- Aprendizaje por refuerzo: Este enfoque de prueba y error le da al robot una recompensa o una penalización en función de sus acciones.
- Aprendizaje Supervisado: Se puede entrenar al robot con datos etiquetados para que aprenda tareas específicas.
- Aprendizaje Autosupervisado: Cuando hay conjuntos de datos etiquetados limitados, los robots pueden generar sus propias etiquetas de entrenamiento a partir de datos sin etiquetar, con el fin de extraer información significativa.
Implementación Técnica
Enséñesles a los Robots a Aprender y Adaptarse
Un workflow integral típico de robots implica procesamiento de datos, entrenamiento de modelos, validación en simulación e implementación en un robot real.
Procesamiento de Datos: Para cerrar brechas de datos, use 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 mediante un esquema de IA física, que se puede usar para el ajuste fino y la evaluación de políticas en Isaac Lab-Arena.
Entrenamiento y Validación en Simulación: Los robots deben ser entrenados e implementados para escenarios definidos por tareas y requieren representaciones virtuales precisas de condiciones del mundo real. NVIDIA Isaac Lab, un framework 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 está integrado de forma nativa con NVIDIA Isaac Sim™, una aplicación de simulación robótica de referencia abierta basada en las bibliotecas NVIDIA Omniverse™, mediante la física NVIDIA PhysX® acelerada por GPU y la renderización de RTX™ para la validación de alta fidelidad. Este framework unificado le permite crear rápidamente prototipos de políticas en entornos de simulación ligeros antes de implementarlos en sistemas de producción.
Isaac Lab-Arena, que se basa en Isaac Lab, es un framework de código abierto para la evaluación de políticas escalables en simulación que le brinda 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™, computadoras montadas en robots que ofrecen el desempeño y la seguridad funcional necesarios para la operación autónoma.
Aprendizaje por Imitación y Aprendizaje por Refuerzo para Robots
Aprendizaje por Imitación
Si bien el aprendizaje por imitación permite a los robots humanoides desarrollar nuevas habilidades mediante la replicación de demostraciones de expertos, la recopilación de conjuntos de datos del mundo real a menudo es costosa y requiere mucha mano de obra.
Para superar este desafío, los desarrolladores pueden usar los esquemas GR00T-Mimic y GR00T-Dreams de NVIDIA Isaac, basados en NVIDIA Cosmos, para producir conjuntos de datos de movimiento sintético grandes y diversos para el entrenamiento.
Estos conjuntos de datos se pueden usar para entrenar los modelos de fundación abierta Isaac GR00T N dentro de Isaac Lab, lo que permite un razonamiento humanoide más amplio y una sólida adquisición de habilidades.
Aprendizaje por Refuerzo
Use Isaac Lab para realizar simulaciones de física de alta fidelidad, realizar cálculos de recompensa y habilitar el aprendizaje por refuerzo basado en la percepción (RL) dentro de entornos modulares y personalizables.
Comience configurando una amplia variedad de robots en diferentes entornos, definiendo tareas de RL y entrenando modelos mediante bibliotecas optimizadas por GPU como RSL RL, RL-Games, SKRL y Stable Baselines3, todo compatible de forma nativa con Isaac Lab.
Isaac Lab ofrece workflows de tareas flexibles, ya sea directos o basados en un administrador, para que usted tenga control sobre la complejidad y la automatización de sus trabajos de entrenamiento.
También puede usar Newton, un motor de física de código abierto acelerado por GPU basado en NVIDIA Warp, para obtener una simulación de alta velocidad, físicamente precisa y diferenciable.
Además, NVIDIA OSMO, una plataforma de orquestación nativa de la nube, permite el escalado y la administración eficientes de cargas de trabajo de robótica complejas, de múltiples etapas y de múltiples contenedores en sistemas de múltiples GPU y múltiples nodos. Esto puede acelerar significativamente el desarrollo y la evaluación de políticas de aprendizaje de robots.
Enlaces Rápidos
Ecosistema de Negocios
Ecosistema
Preguntas Frecuentes
Los robots tradicionales generalmente se controlan con scripts fijos, donde los ingenieros codifican manualmente instrucciones y reglas paso a paso. Por ejemplo, "muévalo a esta posición exacta y, luego, cierre el agarre si este valor del sensor está por encima de un umbral". En cambio, el aprendizaje de robots en la simulación entrena políticas de IA que asignan las entradas de sensores (como imágenes de cámara 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, además de adaptarse a variaciones que no se programaron explícitamente.
El aprendizaje basado en simulación se aplica a muchas presentaciones, como robots móviles autónomos, vehículos autónomos, brazos robóticos y robots humanoides. Las tareas típicas incluyen navegación, locomoción, manipulación de objetos y workflows coordinados en fábricas, almacenes, hospitales y espacios minoristas.
Isaac Sim proporciona simulación de sensores y física de alta fidelidad, mientras que Isaac Lab de código abierto la escala en miles de entornos paralelos acelerados por GPU. Juntos, generan cantidades masivas de datos sintéticos para ajustar los modelos abiertos de visión-lenguaje-acción de Isaac GR00T N. Esto permite a los desarrolladores enseñar a los robots tareas y habilidades específicas de robots en simulación antes de la implementación en el mundo real.
Un workflow común comienza con el procesamiento de diversos datos de robots reales, datos sintéticos y fuentes a escala de Internet. Luego, las políticas se entrenan y validan en Isaac Lab e Isaac Sim. Finalmente, se implementan en computación montada en robots, como NVIDIA Jetson, para la operación 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 una amplia variedad de casos límite, escenarios peligrosos y eventos raros. Esto reduce la necesidad de una experimentación extensa con robots, reduce el desgaste y el riesgo de hardware y ayuda a las políticas a transferirse de manera más confiable a entornos reales.
Enlaces Rápidos
Servidor RTX PRO: la Mejor Plataforma para IA Industrial y Física
El servidor NVIDIA RTX PRO acelera todas las cargas de trabajo de digitalización industrial, simulación de robots y generación de datos sintéticos.