Gemeinsame Navigationsarchitektur für unterschiedliche Roboter
Dass sich Roboter an neue Umgebungen anpassen und ihre Routen sicher abschließen, gehört weiterhin zu den wichtigsten technischen Problemen autonomer Technologien. NVIDIA hat das neue autonome Navigations-Framework COMPASS vorgestellt, um diesen Prozess zu vereinfachen und den Bedarf an einer erneuten Schulung bei jeder Änderung der Hardware zu beseitigen. Die Architektur ermöglicht es, Maschinen mit unterschiedlichen physischen Eigenschaften auf einer gemeinsamen Grundlage zu trainieren, und vereint dabei bestärkendes Lernen mit KI-Codierungsagenten.
Hohe Erfolgsquote durch Residuales bestärkendes Lernen
Bei herkömmlichen Methoden mussten bei der Einführung einer neuen Umgebung oder eines neuen Roboters sämtliche Softwareschnittstellen, Datensätze und Simulationsumgebungen neu vorbereitet werden. NVIDIA COMPASS verwendet stattdessen das vortrainierte X-Mobility-Navigationsmodell. Das System entwickelt mithilfe der Methodik des residualen bestärkenden Lernens Expertenstrategien, die kleine korrigierende Bewegungen auf dieses Basismodell aufsetzen.
Den Testergebnissen zufolge erhöhte dieser Ansatz die Erfolgsquote gegenüber von Grund auf trainierten Modellen des Imitationslernens um etwa 5-fache und verbesserte die Reiseeffizienz deutlich.
KI-Codierungsagenten übernehmen wichtige Aufgaben bei der Automatisierung der Trainings- und Testphasen. Diese Agenten überwachen Softwareabhängigkeiten, erstellen Simulationsobjekte, führen erste Tests durch und untersuchen die dabei auftretenden Fehler. Im Einklang mit früheren Forschungsarbeiten, die gezeigt haben, dass der Schlüssel zum Erfolg bei KI-Agenten in der Kontrollarchitektur liegt, räumt die COMPASS-Architektur der Sicherheit Priorität ein, indem sie in kritischen Phasen die menschliche Zustimmung beibehält.
Direkter Übergang von der Simulation in die reale Welt
Im Referenz-Workflow kommt neben dem vierbeinigen Roboter Boston Dynamics Spot auch verschiedene weitere Hardware zum Einsatz, darunter der humanoide Roboter Unitree G1 und der radbasierte Roboter NVIDIA Carter. Für die Vorbereitung der Testumgebungen wird der NVIDIA SAGE-10K-Datensatz verwendet, der 50 verschiedene Raumtypen und 10.000 synthetische Innenräume umfasst.
Für die Übertragung realer Umgebungen in die Simulationsumgebung kommt die Omniverse NuRec-Technologie zum Einsatz, mit der präzise digitale Zwillinge erstellt werden.
Modelle, die ausschließlich in der Simulation trainiert wurden, erreichten bei der Anwendung unter realen Bedingungen ohne zusätzliche Feinabstimmung in komplexen Umgebungen eine Erfolgsquote von 80 %. Bei Robotern, die NVIDIA Jetson Orin als Onboard-Hardware verwenden, wurde eine Inferenzzeit von 30 Millisekunden gemessen. Die optional integrierbare NVIDIA cuVSLAM-Technologie stellt Robotern ohne externe Positionsdaten zudem visuelle Odometrie zur Verfügung.