Una arquitectura de navegación común para diferentes robots
La adaptación de los robots a nuevos entornos y la finalización segura de sus rutas siguen estando entre los principales problemas técnicos de las tecnologías autónomas. NVIDIA presentó el nuevo marco de navegación autónoma COMPASS para simplificar este proceso y eliminar la necesidad de volver a entrenar el sistema cada vez que cambia el hardware. La arquitectura permite entrenar máquinas con diferentes características físicas sobre una base común, al tiempo que combina el aprendizaje por refuerzo con agentes de codificación de inteligencia artificial.
Alto rendimiento con aprendizaje por refuerzo residual
En los métodos tradicionales, cuando se incorporaba un nuevo entorno o diseño de robot, era necesario volver a preparar todas las interfaces de software, los conjuntos de datos y los entornos de simulación. En su lugar, NVIDIA COMPASS utiliza el modelo de navegación X-Mobility, previamente entrenado. Mediante una metodología de aprendizaje por refuerzo residual, el sistema desarrolla políticas especializadas que añaden pequeños movimientos correctivos sobre este modelo base.
Según los resultados de las pruebas, este enfoque multiplicó aproximadamente por 5 la tasa de éxito frente a los modelos de aprendizaje por imitación entrenados desde cero y mejoró notablemente la eficiencia de los desplazamientos.
Los agentes de codificación de inteligencia artificial desempeñan funciones importantes en la automatización de las etapas de entrenamiento y prueba. Estos agentes supervisan las dependencias del software, crean los activos de simulación, realizan las pruebas iniciales y analizan los fallos que se producen. En consonancia con las investigaciones que anteriormente demostraron que la clave principal del éxito de los agentes de inteligencia artificial es la arquitectura de control, la arquitectura COMPASS prioriza la seguridad manteniendo la aprobación humana en las etapas críticas.
Transición directa de la simulación al mundo real
En el flujo de trabajo de referencia se utilizan diversos equipos, entre ellos el robot cuadrúpedo Boston Dynamics Spot, el robot humanoide Unitree G1 y el robot con ruedas NVIDIA Carter. Para preparar los entornos de prueba se emplea el conjunto de datos NVIDIA SAGE-10K, que incluye 50 tipos diferentes de habitaciones y alberga 10.000 espacios interiores sintéticos.
Para trasladar espacios reales al entorno de simulación se utiliza la tecnología Omniverse NuRec, con la que se preparan gemelos digitales precisos.
Los modelos entrenados únicamente en simulación alcanzaron una tasa de éxito del 80 % al aplicarse en condiciones del mundo real en espacios complejos, sin necesidad de ajustes finos adicionales. En los robots que utilizan NVIDIA Jetson Orin como hardware integrado, el tiempo de inferencia se midió en torno a 30 milisegundos. La tecnología NVIDIA cuVSLAM, que puede integrarse opcionalmente, también proporciona soporte de odometría visual a los robots que no disponen de datos externos de posicionamiento.