Un’architettura di navigazione comune per robot diversi
La capacità dei robot di adattarsi a nuovi ambienti e completare i propri percorsi in sicurezza continua a rientrare tra i principali problemi tecnici delle tecnologie autonome. NVIDIA ha presentato il nuovo framework di navigazione autonoma denominato COMPASS per semplificare questo processo ed eliminare la necessità di un nuovo addestramento a ogni modifica dell’hardware. L’architettura consente di addestrare macchine con caratteristiche fisiche diverse sulla base di una fondazione comune, riunendo l’apprendimento per rinforzo e gli agenti di codifica basati sull’intelligenza artificiale.
Elevate prestazioni con l’apprendimento per rinforzo residuo
Nei metodi tradizionali, quando veniva introdotto un nuovo ambiente o un nuovo progetto di robot, era necessario preparare nuovamente tutte le interfacce software, i set di dati e gli ambienti di simulazione. NVIDIA COMPASS utilizza invece il modello di navigazione X-Mobility preaddestrato. Attraverso una metodologia di apprendimento per rinforzo residuo, il sistema sviluppa policy specializzate che aggiungono piccoli movimenti correttivi al modello di base.
Secondo i risultati dei test, questo approccio ha aumentato di circa 5 volte il tasso di successo rispetto ai modelli di apprendimento per imitazione addestrati da zero e ha migliorato sensibilmente l’efficienza degli spostamenti.
Gli agenti di codifica basati sull’intelligenza artificiale svolgono compiti importanti nell’automazione delle fasi di addestramento e test. Questi agenti controllano le dipendenze software, creano le risorse di simulazione, eseguono i test iniziali ed esaminano i fallimenti che si verificano. In linea con le ricerche precedenti, che hanno dimostrato come la chiave principale del successo degli agenti di intelligenza artificiale risieda nell’architettura di controllo, l’architettura COMPASS dà priorità alla sicurezza mantenendo l’approvazione umana nelle fasi critiche.
Passaggio diretto dalla simulazione al mondo reale
Nel flusso di lavoro di riferimento vengono utilizzati diversi hardware, tra cui il robot quadrupede Boston Dynamics Spot, il robot umanoide Unitree G1 e il robot a ruote NVIDIA Carter. Per la preparazione degli ambienti di test viene invece utilizzato il dataset NVIDIA SAGE-10K, che comprende 50 diversi tipi di stanze e 10.000 ambienti interni sintetici.
Per trasferire gli ambienti reali nel contesto di simulazione viene utilizzata la tecnologia Omniverse NuRec, con cui vengono preparati gemelli digitali ad alta precisione.
I modelli addestrati esclusivamente in simulazione hanno raggiunto un tasso di successo dell’80% in ambienti complessi quando sono stati applicati alle condizioni del mondo reale senza richiedere un’ulteriore messa a punto. Nei robot che utilizzano NVIDIA Jetson Orin come hardware di bordo, il tempo di inferenza è stato misurato nell’ordine dei 30 millisecondi. La tecnologia NVIDIA cuVSLAM, integrabile opzionalmente, fornisce inoltre supporto all’odometria visiva ai robot privi di dati di localizzazione esterni.