Une architecture de navigation commune pour différents robots
La capacité des robots à s’adapter à de nouveaux environnements et à achever leurs itinéraires en toute sécurité continue de figurer parmi les principaux problèmes techniques des technologies autonomes. NVIDIA a présenté le nouveau cadre de navigation autonome baptisé COMPASS afin de simplifier ce processus et d’éliminer la nécessité de réentraîner les systèmes à chaque modification matérielle. Cette architecture permet d’entraîner des machines aux caractéristiques physiques différentes sur une base commune, tout en réunissant l’apprentissage par renforcement et les agents de codage en intelligence artificielle.
Des performances élevées grâce à l’apprentissage par renforcement résiduel
Avec les méthodes traditionnelles, il fallait entièrement reconfigurer les interfaces logicielles, les jeux de données et les environnements de simulation lorsqu’un nouvel environnement ou une nouvelle conception de robot était mis en service. NVIDIA COMPASS utilise à la place le modèle de navigation X-Mobility préentraîné. Le système développe des politiques spécialisées qui ajoutent de petites actions correctives à ce modèle de base grâce à une méthodologie d’apprentissage par renforcement résiduel.
Selon les résultats des tests, cette approche a multiplié par environ 5 le taux de réussite par rapport aux modèles d’apprentissage par imitation entraînés à partir de zéro et a nettement amélioré l’efficacité des déplacements.
Les agents de codage en intelligence artificielle jouent un rôle important dans l’automatisation des phases d’entraînement et de test. Ils contrôlent les dépendances logicielles, créent les ressources de simulation, effectuent les premiers tests et analysent les échecs constatés. Conformément aux recherches ayant précédemment montré que la clé fondamentale de la réussite des agents d’intelligence artificielle résidait dans l’architecture de contrôle, l’architecture COMPASS donne la priorité à la sécurité en maintenant l’approbation humaine aux étapes critiques.
Un passage direct de la simulation au monde réel
Le flux de travail de référence s’appuie sur différents matériels, notamment le robot quadrupède Boston Dynamics Spot, le robot humanoïde Unitree G1 et le robot à roues NVIDIA Carter. Pour préparer les environnements de test, le jeu de données NVIDIA SAGE-10K, qui comprend 50 types de pièces différents et abrite 10 000 intérieurs synthétiques, est utilisé.
La technologie Omniverse NuRec est utilisée pour transposer des espaces réels dans l’environnement de simulation et créer des jumeaux numériques précis.
Les modèles entraînés uniquement en simulation ont atteint un taux de réussite de 80 % lorsqu’ils ont été appliqués à des conditions du monde réel dans des environnements complexes, sans nécessiter de réglage supplémentaire. Sur les robots utilisant NVIDIA Jetson Orin comme matériel embarqué, le temps d’inférence a été mesuré à environ 30 millisecondes. La technologie NVIDIA cuVSLAM, qui peut être intégrée en option, fournit également une assistance par odométrie visuelle aux robots ne disposant pas de données de positionnement externes.