Farklı Robotlar İçin Ortak Navigasyon Mimarisi
Robotların yeni ortamlara uyum sağlaması ve rotalarını güvenli biçimde tamamlaması, otonom teknolojilerdeki başlıca teknik sorunlar arasında yer almaya devam ediyor. NVIDIA, bu süreci basitleştirmek ve her donanım değişikliğinde yeniden eğitim gereksinimini ortadan kaldırmak için COMPASS adlı yeni otonom navigasyon çerçevesini tanıttı. Mimari, farklı fiziksel özelliklere sahip makinelerin ortak bir temel üzerinden eğitilmesine olanak tanırken pekiştirmeli öğrenme ile yapay zeka kodlama ajanlarını bir araya getiriyor.
Kalıntı Pekiştirmeli Öğrenmeyle Yüksek Başarı
Geleneksel yöntemlerde yeni bir ortam ya da robot tasarımı devreye alındığında yazılım arayüzlerinin, veri setlerinin ve simülasyon ortamlarının tamamının yeniden hazırlanması gerekiyordu. NVIDIA COMPASS, bunun yerine önceden eğitilmiş X-Mobility navigasyon modelini kullanıyor. Sistem, kalıntı pekiştirmeli öğrenme metodolojisi aracılığıyla bu temel modelin üzerine küçük düzeltici hareketler ekleyen uzman politikalar geliştiriyor.
Test sonuçlarına göre bu yaklaşım, sıfırdan eğitilen taklit öğrenme modellerine göre başarı oranını yaklaşık 5 kat yükseltti ve seyahat verimliliğini belirgin biçimde geliştirdi.
Yapay zeka kodlama ajanları, eğitim ile test aşamalarının otomatikleştirilmesinde önemli görevler üstleniyor. Bu ajanlar yazılım bağımlılıklarını denetliyor, simülasyon varlıklarını oluşturuyor, ilk testleri gerçekleştiriyor ve ortaya çıkan başarısızlıkları inceliyor. Daha önce yapay zeka ajanlarında başarının temel anahtarının kontrol mimarisi olduğunu ortaya koyan araştırmalarla uyumlu biçimde COMPASS mimarisi, kritik aşamalarda insan onayını muhafaza ederek güvenliği önceliklendiriyor.
Simülasyondan Gerçek Dünyaya Doğrudan Geçiş
Referans iş akışında Boston Dynamics Spot dört bacaklı robotunun yanı sıra Unitree G1 insansı robotu ve NVIDIA Carter tekerlekli robotu da dahil olmak üzere çeşitli donanımlardan yararlanılıyor. Test ortamlarının hazırlanmasında ise 50 farklı oda tipini içeren ve 10.000 sentetik iç mekan barındıran NVIDIA SAGE-10K veri seti kullanılıyor.
Gerçek mekanların simülasyon ortamına taşınması için Omniverse NuRec teknolojisinden yararlanılıyor ve hassas dijital ikizler hazırlanıyor.
Yalnızca simülasyonda eğitilen modeller, ek bir ince ayar gerektirmeden gerçek dünya koşullarına uygulandığında Karmaşık mekanlarda %80 başarı oranı elde etti. NVIDIA Jetson Orin’in onboard donanım olarak kullanıldığı robotlarda çıkarım süresi 30 milisaniye düzeyinde ölçüldü. İsteğe bağlı biçimde entegre edilebilen NVIDIA cuVSLAM teknolojisi de harici konumlandırma verisine sahip olmayan robotlara görsel odometri desteği sağlıyor.