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

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

Continuer
Select Location
Middle East