Aprendizaje de Robots

Entrene políticas de robots en simulación.

Boston Dynamics

Cargas de Trabajo

Herramientas y Técnicas de Computación Acelerada
Data Center y Nube
Robótica
Simulación, Modelado y Diseño

Industrias

Área de la Salud y Biociencia
Manufactura
Ventas Minoristas y Bienes de Consumo Empaquetados
Ciudades y Espacios Inteligentes


Objetivo Comercial

Innovación
Retorno de la Inversión

Productos

NVIDIA Isaac GR00T
NVIDIA Isaac Lab
NVIDIA Isaac Sim
NVIDIA Jetson AGX
NVIDIA Omniverse

Construya Políticas de Robots Generalistas

Los robots preprogramados operan con instrucciones fijas dentro de entornos establecidos, lo que limita su adaptabilidad a cambios inesperados.

Los robots impulsados por IA abordan estas limitaciones a través del aprendizaje basado en simulación, lo que les permite percibir, planificar y actuar de forma autónoma en condiciones dinámicas. Con el aprendizaje de robots, pueden adquirir y refinar nuevas habilidades mediante el uso de políticas aprendidas (conjuntos de comportamientos para navegación, manipulación y más) a efectos de mejorar su toma de decisiones en varias situaciones.

Beneficios del Aprendizaje de Robots Basado en Simulación

Flexibilidad y Escalabilidad

Itere, refine e implemente políticas de robots para escenarios del mundo real mediante una variedad de fuentes de datos a partir de los datos reales capturados por sus robots y datos sintéticos en simulación. Esto funciona con cualquier tipo de robot, como robots móviles autónomos (AMR), brazos robóticos y robots humanoides. El enfoque basado en “primero simulación” también le permite entrenar rápidamente cientos o miles de instancias de robots en paralelo.  

Desarrollo Acelerado de Habilidades

Entrene robots en entornos simulados para adaptarse a nuevas variaciones de tareas sin la necesidad de reprogramar el hardware del robot físico. 

Entornos Físicamente Precisos

Modele fácilmente factores físicos, como interacciones de objetos (rígidos o deformables), fricción, etc., para que reduzca significativamente 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 de robots, como el aprendizaje por imitación o el aprendizaje por refuerzo, pueden ayudarles a los robots a generalizar las habilidades aprendidas y a mejorar su desempeño en entornos cambiantes o novedosos. Hay varias técnicas de aprendizaje, que incluyen:

  • Aprendizaje por Refuerzo: Es un enfoque de prueba y error en el que el robot recibe una recompensa o una penalización en función de las acciones que realiza. 
  • Aprendizaje por Imitación: El robot puede aprender a partir de demostraciones humanas de tareas. 
  • Aprendizaje Supervisado: Se puede entrenar al robot con datos etiquetados para que aprenda tareas específicas.
  • Política de Difusión: El robot usa modelos generativos para crear y optimizar sus acciones a fin de obtener los resultados deseados.
  • 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.

Enséñesles a los Robots a Aprender y Adaptarse

El workflow completo típico de robots implica procesamiento de datos, entrenamiento de modelos, validación en simulación y la implementación en un robot real.

Procesamiento de Datos: Para cerrar las brechas de datos, puede considerar un conjunto diverso de fuentes de datos de alta calidad mediante la combinación de datos a escala de Internet, datos sintéticos y datos de robots en vivo. 

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. El framework de código abierto NVIDIA Isaac™ Lab puede ayudar a entrenar políticas de robots mediante técnicas de aprendizaje por refuerzo y aprendizaje por imitación en un enfoque modular. Isaac Lab también se puede usar con las plataformas de simulación para desarrolladores NVIDIA Isaac Sim™ o MuJoCo para crear prototipos rápidamente y para implementar políticas de robots.

Una vez que el robot ha sido entrenado, su desempeño se puede validar en Isaac Sim, una aplicación de simulación robótica de referencia basada en NVIDIA Omniverse™.

Implementación en el Robot Real: Las políticas de robots entrenados y los modelos de IA se pueden implementar en computadoras NVIDIA Jetson™ montadas en robots, las cuales ofrecen el desempeño y la seguridad funcional necesarios para una operación autónoma.

NVIDIA Isaac GR00T para Desarrolladores de Robots Humanoides

El aprendizaje por imitación, un subconjunto del aprendizaje de robots, les permite a los humanoides adquirir nuevas habilidades a través de la observación e imitación de demostraciones humanas expertas. Pero recopilar estos conjuntos de datos extensos y de alta calidad en el mundo real es tedioso, lento y enormemente costoso.

NVIDIA Isaac GR00T ayuda a abordar estos desafíos al proporcionarles a los desarrolladores de robots humanoides modelos básicos de robots, pipelines de datos y frameworks de simulación.

NVIDIA Isaac GR00T N1 es el primer modelo base abierto del mundo que sirve para el razonamiento y las habilidades generalizados de los robots humanoides. Este modelo de variantes cruzadas toma entradas multimodales, que incluyen lenguaje e imágenes, para realizar tareas de manipulación en diversos entornos.

Isaac GR00T Blueprint para la Generación de Movimiento por Manipulación Sintética es un workflow de simulación para aprendizaje por imitación que les permite a los desarrolladores generar conjuntos de datos exponencialmente grandes a partir de un número pequeño de demostraciones humanas.

Fourier

Si su empresa es de robots humanoides o de creación de software para robots humanoides, el Programa para Desarrolladores de Robots Humanoides de NVIDIA le brinda acceso a herramientas y tecnologías avanzadas, como Isaac GR00T, Isaac Sim, Isaac Lab, OSMO y más.

Empiece Ahora

Construya robots adaptables con políticas robustas, habilitadas para la percepción y entrenadas en simulación mediante NVIDIA Isaac Lab, un framework modular de código abierto para el aprendizaje de robots.

Recursos

Datos Sintéticos

Cierre la brecha entre lo simulado y lo real mediante escenas y objetos virtuales físicamente exactos para entrenar modelos de IA mientras ahorra en tiempo y costos de entrenamiento.

Aprendizaje por Refuerzo

Aplique técnicas de aprendizaje por refuerzo (RL) a cualquier tipo de robot y cree políticas de robots.

Simulación

Utilice el framework de simulación de robots Isaac Sim, basado en NVIDIA Omniverse, para obtener simulaciones fotorrealistas de alta fidelidad y para entrenar robots humanoides

Robots Humanoides

Acelere el desarrollo de robots humanoides con NVIDIA GR00T, NVIDIA Isaac GR00T  una iniciativa de investigación y desarrollo para modelos básicos de robots de uso general y pipelines de datos para acelerar la robótica humanoide.

Noticias