Robot Learning
Addestra politiche robotiche in simulazione per l'adattabilità al mondo reale.
Carichi di lavoro
Simulazione / Modellazione / Progettazione
Robotica
Settori
Produzione
Sanità e scienze della vita
Retail/Beni di consumo confezionati
Città/Spazi intelligenti
Obiettivo aziendale
Innovazione
Ritorno sugli investimenti
Prodotti
NVIDIA Omniverse
NVIDIA Isaac
NVIDIA Jetson
Panoramica
Costruire politiche di robot generalisti
I robot pre-programmati possono essere utili per attività specifiche e ripetitive, ma hanno un inconveniente fondamentale. Funzionano utilizzando istruzioni fisse in ambienti predefiniti, il che limita la loro adattabilità a cambiamenti imprevisti.
I robot basati sull'IA superano questi limiti grazie all'apprendimento basato sulla simulazione, che consente loro di percepire, pianificare e agire in modo autonomo in condizioni dinamiche. Possono acquisire e perfezionare nuove competenze utilizzando le strategie apprese, ovvero set di comportamenti per la navigazione, la manipolazione e altro ancora, per migliorare il processo decisionale in varie situazioni prima di essere implementati nel mondo reale.
Collegamenti rapidi
Perché l'apprendimento robotico basato sulla simulazione?
Flessibilità e scalabilità
Utilizza un approccio basato su simulazione per addestrare centinaia o migliaia di istanze robotiche in parallelo, combinando dati robotici reali e dati sintetici su AMR, bracci e robot umanoidi.
Sviluppo accelerato delle competenze
Addestra i robot in ambienti di simulazione fisicamente accurati, aiutandoli ad adattarsi a nuove variazioni delle attività e riducendo il divario tra la simulazione e la realtà.
Ambiente di prova sicuro
Testa scenari potenzialmente pericolosi senza rischi per la sicurezza umana o danni alle apparecchiature
Costi ridotti
Evita l'onere dei costi di raccolta ed etichettatura dei dati del mondo reale generando grandi quantità di dati sintetici, convalidando le politiche dei robot addestrati in simulazione e distribuendo sui robot più velocemente.
Algoritmi di apprendimento dei robot
Gli algoritmi di apprendimento robotizzato possono aiutare i robot a generalizzare le competenze apprese e migliorare le proprie prestazioni in ambienti mutevoli o nuovi. Esistono diverse tecniche di apprendimento, tra cui:
- Apprendimento per imitazione: il robot può imparare attraverso attività dimostrate da esseri umani o altri robot nonché dai dati video o sensori di agenti che eseguono il comportamento desiderato.
- Apprendimento per rinforzo: questo approccio basato su tentativi ed errori assegna al robot una ricompensa o una penalità in base alle sue azioni.
- Apprendimento supervisionato: il robot può essere addestrato utilizzando dati etichettati per imparare attività specifiche.
- Apprendimento autosupervisionato: in presenza di set di dati etichettati limitati, i robot possono generare le proprie etichette di training partendo da dati non etichettati per estrarre informazioni significative.
Implementazione tecnica
Insegna ai robot ad apprendere e ad adattarsi
Un tipico flusso di lavoro robotico completo implica l'elaborazione dei dati, l'addestramento dei modelli, la convalida in simulazione e l'implementazione su un robot reale.
Elaborazione dei dati: per colmare le lacune di dati, utilizza un set diversificato di dati di alta qualità che combina dati su scala Internet, dati sintetici e dati di robot reali. Gli sviluppatori possono selezionare, aumentare e valutare i dati sintetici su larga scala utilizzando il Blueprint di IA fisica che può essere utilizzato per l'ottimizzazione e la valutazione delle policy in Isaac Lab-Arena.
Addestramento e convalida in simulazione: i robot devono essere addestrati e distribuiti per scenari definiti da attività e richiedono rappresentazioni virtuali accurate delle condizioni del mondo reale. NVIDIA Isaac™ Lab, un framework open source per l'apprendimento robotico, può aiutare ad addestrare le politiche dedicate ai robot utilizzando tecniche di apprendimento per rinforzo e per imitazione in un approccio modulare.
Isaac Lab è integrato in modo nativo con NVIDIA Isaac Sim™, un'applicazione di simulazione robotica di riferimento aperta basata su librerie NVIDIA Omniverse™, utilizzando la fisica NVIDIA PhysX® accelerata da GPU e il rendering RTX™ per una convalida ad alta fedeltà. Questo framework unificato consente di prototipare rapidamente policy in ambienti di simulazione leggeri prima di distribuirle nei sistemi di produzione.
Basato su Isaac Lab, Isaac Lab-Arena è un framework open source per la valutazione scalabile delle policy in simulazione che offre API semplificate per semplificare la selezione e la diversificazione delle attività.
Distribuzione sul robot reale: le politiche robotiche addestrate e i modelli IA possono essere distribuiti su computer on-robot NVIDIA Jetson™ che offrono le prestazioni e la sicurezza funzionale necessarie al funzionamento autonomo.
Apprendimento per imitazione e per rinforzo destinati ai robot
apprendimento per imitazione
Mentre l'apprendimento per imitazione consente ai robot umanoidi di sviluppare nuove competenze replicando le dimostrazioni di esperti, la raccolta di set di dati del mondo reale è spesso costosa e laboriosa.
Per superare questa sfida, gli sviluppatori possono usare i blueprint NVIDIA Isaac GR00T-Mimic e GR00T-Dreams, basati su NVIDIA Cosmos™, per produrre set di dati di movimento sintetico di grandi dimensioni e diversificati per l'addestramento.
Questi set di dati possono quindi essere utilizzati per addestrare i modelli di fondazione aperti Isaac GR00T N all'interno di Isaac Lab, rendendo possibile il ragionamento umanoide generalizzato e una solida acquisizione delle competenze.
Apprendimento di rinforzo
Usa Isaac Lab per condurre simulazioni fisiche ad alta fedeltà, eseguire calcoli dei premi e consentire l'apprendimento per rinforzo basato sulla percezione (RL) in ambienti modulari e personalizzabili.
Inizia configurando una vasta gamma di robot in ambienti diversi, definendo attività RL e addestrando modelli utilizzando librerie ottimizzate per GPU come RSL RL, RL-Games, SKRL e Stable Baselines3, il tutto supportato in modo nativo da Isaac Lab.
Isaac Lab offre flussi di lavoro di attività flessibili, diretti o basati su manager, in modo da avere il controllo sulla complessità e sull'automazione dei lavori di addestramento.
È inoltre possibile utilizzare Newton, un motore di fisica open source accelerato da GPU, basato su NVIDIA Warp, per una simulazione ad alta velocità, fisicamente accurata e differenziabile.
Inoltre, NVIDIA OSMO, una piattaforma di orchestrazione nativa cloud, consente una scalabilità e una gestione efficienti di carichi di lavoro robotici complessi, multi-fase e multi-container su sistemi multi-GPU e multi-nodo. Ciò può accelerare significativamente lo sviluppo e la valutazione delle politiche di apprendimento robotiche.
Collegamenti rapidi
Ecosistema dei partner
Ecosistema
FAQ
I robot tradizionali sono solitamente controllati con script fissi, in cui gli ingegneri codificano a mano istruzioni e regole passo-passo. Ad esempio, "Spostati in questa posizione esatta, quindi chiudi il gripper se il valore di questo sensore è superiore a una soglia". L'apprendimento robotico in simulazione addestra invece politiche IA che mappano gli input dei sensori (come immagini delle telecamere e stati delle articolazioni) in azioni. Ciò consente ai robot di percepire, pianificare e agire in modo autonomo in ambienti virtuali prima della distribuzione e di adattarsi alle variazioni che non sono state esplicitamente programmate.
L'apprendimento basato sulla simulazione si applica a molte realizzazioni, tra cui robot mobili autonomi, veicoli autonomi, bracci robotici e robot umanoidi. Le attività tipiche includono la navigazione, la locomozione, la manipolazione degli oggetti e flussi di lavoro coordinati in fabbriche, magazzini, ospedali e spazi retail.
Isaac Sim fornisce fisica e simulazione dei sensori ad alta fedeltà, mentre Isaac Lab open source scala la simulazione in migliaia di ambienti paralleli accelerati da GPU. Insieme, generano enormi quantità di dati sintetici per ottimizzare i modelli aperti di visione-linguaggio-azione Isaac GR00T N. Ciò consente agli sviluppatori di insegnare ai robot attività e competenze specifiche per robot in simulazione prima dell'implementazione nel mondo reale.
Un flusso di lavoro comune inizia con l'elaborazione di dati diversi da robot reali, dati sintetici e fonti su scala Internet. Le politiche vengono quindi addestrate e convalidate in Isaac Lab e Isaac Sim e infine distribuite su sistemi di calcolo a bordo del robot come NVIDIA Jetson per il funzionamento nel mondo reale.
L'addestramento e la convalida delle politiche in ambienti di simulazione fisicamente accurati consentono ai team di testare in modo sicuro la coda lunga dei casi limite, scenari pericolosi ed eventi rari. Ciò riduce la necessità di una sperimentazione estesa su robot, riduce l'usura e i rischi dell'hardware e aiuta a trasferire le politiche in modo più affidabile in ambienti reali.
Collegamenti rapidi
RTX PRO Server: la migliore piattaforma per l'IA industriale e fisica
NVIDIA RTX PRO Server accelera ogni carico di lavoro di digitalizzazione industriale, simulazione di robot e generazione di dati sintetici.