Arquitetura de Navegação Comum para Diferentes Robôs
A adaptação dos robôs a novos ambientes e a conclusão segura de suas rotas continuam entre os principais problemas técnicos das tecnologias autônomas. Para simplificar esse processo e eliminar a necessidade de um novo treinamento a cada mudança de hardware, a NVIDIA apresentou a nova estrutura de navegação autônoma chamada COMPASS. A arquitetura permite que máquinas com diferentes características físicas sejam treinadas com base em uma fundação comum, ao mesmo tempo que combina aprendizado por reforço com agentes de codificação de inteligência artificial.
Alto Desempenho com Aprendizado por Reforço Residual
Nos métodos tradicionais, quando um novo ambiente ou projeto de robô era introduzido, era necessário preparar novamente todas as interfaces de software, os conjuntos de dados e os ambientes de simulação. Em vez disso, a NVIDIA COMPASS utiliza o modelo de navegação X-Mobility, previamente treinado. Por meio da metodologia de aprendizado por reforço residual, o sistema desenvolve políticas especializadas que acrescentam pequenos movimentos corretivos a esse modelo-base.
De acordo com os resultados dos testes, essa abordagem elevou a taxa de sucesso em aproximadamente 5 vezes em comparação com modelos de aprendizado por imitação treinados do zero e melhorou significativamente a eficiência do deslocamento.
Os agentes de codificação de inteligência artificial desempenham funções importantes na automatização das etapas de treinamento e teste. Esses agentes verificam as dependências de software, criam os ativos de simulação, realizam os testes iniciais e analisam as falhas encontradas. Em linha com pesquisas anteriores que demonstraram que a chave fundamental para o sucesso dos agentes de inteligência artificial é a arquitetura de controle, a arquitetura COMPASS prioriza a segurança ao manter a aprovação humana nas etapas críticas.
Transição Direta da Simulação para o Mundo Real
O fluxo de trabalho de referência utiliza diversos tipos de hardware, incluindo o robô quadrúpede Boston Dynamics Spot, o robô humanoide Unitree G1 e o robô sobre rodas NVIDIA Carter. Para preparar os ambientes de teste, é utilizado o conjunto de dados NVIDIA SAGE-10K, que inclui 50 tipos diferentes de cômodos e abriga 10.000 ambientes internos sintéticos.
A tecnologia Omniverse NuRec é utilizada para transportar espaços reais para o ambiente de simulação e preparar gêmeos digitais precisos.
Os modelos treinados exclusivamente em simulação alcançaram uma taxa de sucesso de 80% em ambientes complexos quando aplicados a condições do mundo real sem exigir ajustes adicionais. Nos robôs que utilizam o NVIDIA Jetson Orin como hardware embarcado, o tempo de inferência foi medido em cerca de 30 milissegundos. A tecnologia NVIDIA cuVSLAM, que pode ser integrada opcionalmente, também fornece suporte à odometria visual para robôs que não dispõem de dados externos de posicionamento.