異なるロボットに対応する共通ナビゲーションアーキテクチャ
ロボットが新しい環境に適応し、経路を安全に完了することは、自律技術における主要な技術課題であり続けています。NVIDIAは、このプロセスを簡素化し、ハードウェアが変更されるたびに再訓練する必要をなくすため、COMPASSと呼ばれる新しい自律ナビゲーションフレームワークを発表しました。このアーキテクチャは、物理的特性の異なる機械を共通の基盤上で訓練できるようにする一方、強化学習とAIコーディングエージェントを組み合わせています。
残差強化学習による高い成功率
従来の手法では、新しい環境やロボット設計を導入する際、ソフトウェアインターフェース、データセット、シミュレーション環境をすべて再構築する必要がありました。NVIDIA COMPASSはその代わりに、事前訓練済みのX-Mobilityナビゲーションモデルを使用します。システムは、残差強化学習の方法論を通じて、この基盤モデルに小さな修正動作を加える専門ポリシーを開発します。
テスト結果によると、このアプローチはゼロから訓練された模倣学習モデルと比べて成功率を約5倍に高め、移動効率も大幅に改善しました。
AIコーディングエージェントは、訓練およびテスト段階の自動化において重要な役割を担っています。これらのエージェントはソフトウェア依存関係を検証し、シミュレーション用アセットを作成し、初期テストを実施するとともに、発生した失敗を分析します。AIエージェントにおける成功の基本的な鍵は制御アーキテクチャであることを明らかにしたこれまでの研究と一致する形で、COMPASSアーキテクチャは重要な段階で人間による承認を維持し、安全性を優先しています。
シミュレーションから現実世界への直接移行
リファレンスワークフローでは、Boston Dynamics Spot四足歩行ロボットに加え、Unitree G1ヒューマノイドロボットやNVIDIA Carter車輪型ロボットなど、さまざまなハードウェアが活用されています。テスト環境の準備には、50種類の異なる部屋タイプと10,000件の合成屋内環境を含むNVIDIA SAGE-10Kデータセットが使用されています。
実際の空間をシミュレーション環境に移行するため、Omniverse NuRec技術が活用され、精密なデジタルツインが作成されています。
シミュレーションのみで訓練されたモデルは、追加のファインチューニングなしに現実世界の条件へ適用された場合、複雑な空間で80%の成功率を達成しました。NVIDIA Jetson Orinをオンボードハードウェアとして使用するロボットでは、推論時間が30ミリ秒程度と測定されました。オプションで統合できるNVIDIA cuVSLAM技術は、外部の測位データを持たないロボットにも視覚オドメトリー機能を提供します。