Robot Learning

Entraîner les politiques robotiques en simulation.

Boston Dynamics

Charges de travail

Outils et techniques de calcul accéléré
Data Center / Cloud
Robotique
Simulation / Modélisation / Conception

Industries

Santé et sciences de la vie
Fabrication
Vente au détail / biens de consommation emballés
Villes / espaces intelligents


Objectifs commerciaux

Innovation
Retour sur investissement

Produits

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

Développer des politiques robotiques généralistes

Les robots préprogrammés fonctionnent à l'aide d'instructions fixes dans des environnements définis, ce qui limite leur adaptabilité face aux changements inattendus.

Les robots basés sur l'IA abordent ces limitations grâce à un apprentissage basé sur la simulation, ce qui leur permet de percevoir, de planifier et d'agir de manière autonome dans des conditions dynamiques. Grâce à l'apprentissage robotique, les utilisateurs peuvent acquérir et affiner de nouvelles compétences en utilisant des politiques apprises (ensembles de comportements pour la navigation, la manipulation, et bien plus encore) pour améliorer leurs prises de décision dans diverses situations.

Avantages de l'apprentissage des robot en simulation

Flexibilité et évolutivité

Itérez, affinez et déployez des politiques robotiques pour les scénarios réels à l'aide d'une variété de sources de données provenant de vos données réelles capturées par des robots et de vos données synthétiques en simulation. Cela fonctionne pour n'importe quelle forme de robot, telle que les robots mobiles autonomes (AMR), les bras robotiques et les robots humanoïdes. L'approche basée sur la simulation vous permet également d'entraîner rapidement des centaines ou des milliers d'instances de robots en parallèle.  

Développement des compétences accéléré

Entraînez les robots dans des environnements simulés pour s'adapter aux nouvelles variations de tâches sans avoir besoin de reprogrammer le matériel robotique physique. 

Environnements physiquement précis

Modélisez facilement des facteurs physiques tels que les interactions avec les objets (rigides ou déformables), les frottements, etc., pour réduire considérablement l'écart entre la simulation et la réalité.  

Environnement de test sécurisé

Testez des scénarios potentiellement dangereux sans risquer la sécurité du personnel ni endommager l'équipement.

Réduction des coûts

Évitez le fardeau des coûts de collecte et d'étiquetage de données réelles en générant de grandes quantités de données synthétiques, en validant les politiques robotiques entraînées en simulation et en déployant les robots plus rapidement. 

Algorithmes d'apprentissage robotique

Les algorithmes d'apprentissage robotique, tels que l'apprentissage par imitation ou l'apprentissage par renforcement, peuvent aider les robots à généraliser les compétences acquises et à améliorer leurs performances lorsqu'ils changent ou expérimentent de nouveaux environnements. Il existe plusieurs techniques d'apprentissage, notamment :

  • Apprentissage par renforcement : approche par essais et erreurs lors de laquelle le robot reçoit une récompense ou une pénalité en fonction des actions qu'il entreprend. 
  • Apprentissage par imitation : le robot peut apprendre à partir de démonstrations humaines de tâches. 
  • Apprentissage supervisé : le robot peut être entraîné à l'aide de données étiquetées pour apprendre des tâches spécifiques.
  • Politique de diffusion : le robot utilise des modèles génératifs pour créer et optimiser ses actions pour obtenir les résultats souhaités.
  • Apprentissage auto-supervisé : lorsque les ensembles de données étiquetées sont limités, les robots peuvent générer leurs propres étiquettes d'entraînement à partir de données non étiquetées pour extraire des informations significatives.

Commencer

Construisez des robots adaptables avec des politiqus robustes, basées sur la perception et entraînés en simulation à l'aide de NVIDIA Isaac Lab le framework modulaire open source pour l'apprentissage des robots.

Ressources

Déployez des véhicules autonomes en toute sécurité

Données synthétiques

Comblez le fossé entre simulation et réalité en créant des scènes et des objets virtuels précis sur le plan physique pour entraîner des modèles d'IA, tout en économisant du temps et de l'argent.

Optimisez les expériences de marque en 3D

Apprentissage par renforcement

Appliquer les techniques d'apprentissage par renforcement (RL) à tout type de robot et développer des politiques robotiques.

Développez des véhicules autonomes de bout en bout

Simulation

Utilisez le framework de simulation robotique Isaac Sim basé sur NVIDIA Omniverse pour des simulations photoréalistes haute fidélité afin d'entraîner des robots humanoïdes

Développez des véhicules autonomes de bout en bout

Robots humanoïdes

Accélérez le développement de robots humanoïdes à l'aide de NVIDIA GR00T, une initiative de recherche et de développement pour les modèles de fondation de robots à usage général et les pipelines de données pour accélérer la robotique humanoïde.

Actualités

National Robotics Week — Latest Physical AI Research, Breakthroughs and Resources
April 12, 2025
This National Robotics Week, NVIDIA highlighted the pioneering technologies that are shaping the future of intelligent machines and driving progress across manufacturing, healthcare, logistics and more. Advancements in robotics simulation and robot learning are driving this fundamental shift in the industry. Plus, the emergence of world foundation models is accelerating the evolution of AI-enabled robots Read Article
Industrial Ecosystem Adopts Mega NVIDIA Omniverse Blueprint to Train Physical AI in Digital Twins
March 31, 2025
Advances in physical AI are enabling organizations to embrace embodied AI across their operations, bringing unprecedented intelligence, automation and productivity to the world’s factories, warehouses and industrial facilities. Humanoid robots can work alongside human teams, autonomous mobile robots (AMRs) can navigate complex warehouse environments, and intelligent cameras and visual AI agents can monitor and optimize Read Article
NVIDIA Unveils Open Physical AI Dataset to Advance Robotics and Autonomous Vehicle Development
March 18, 2025
Teaching autonomous robots and vehicles how to interact with the physical world requires vast amounts of high-quality data. To give researchers and developers a head start, NVIDIA is releasing a massive, open-source dataset for building the next generation of physical AI. Announced at NVIDIA GTC, a global AI conference taking place this week in San Read Article

Vous allez être redirigé vers une page NVIDIA hébergée en dehors de la France

Continuer
Select Location
Middle East