Единая навигационная архитектура для разных роботов
Адаптация роботов к новым условиям и безопасное завершение маршрутов по-прежнему относятся к числу главных технических проблем автономных технологий. NVIDIA представила новый фреймворк автономной навигации COMPASS, призванный упростить этот процесс и устранить необходимость повторного обучения при каждом изменении аппаратного обеспечения. Архитектура позволяет обучать машины с разными физическими характеристиками на общей основе, объединяя обучение с подкреплением и агентов программирования на базе искусственного интеллекта.
Высокая эффективность благодаря остаточному обучению с подкреплением
При использовании традиционных методов с появлением новой среды или конструкции робота требовалось заново подготавливать все программные интерфейсы, наборы данных и среды моделирования. Вместо этого NVIDIA COMPASS использует предварительно обученную навигационную модель X-Mobility. Система разрабатывает специализированные политики, которые посредством методологии остаточного обучения с подкреплением добавляют к этой базовой модели небольшие корректирующие действия.
Согласно результатам испытаний, этот подход примерно в 5 раз повысил показатель успешности по сравнению с моделями имитационного обучения, обученными с нуля, и заметно повысил эффективность перемещения.
Агенты программирования на базе искусственного интеллекта играют важную роль в автоматизации этапов обучения и тестирования. Эти агенты проверяют программные зависимости, создают объекты моделирования, проводят первичные испытания и анализируют возникающие сбои. В соответствии с исследованиями, ранее показавшими, что ключом к успеху агентов искусственного интеллекта является архитектура управления, архитектура COMPASS отдаёт приоритет безопасности, сохраняя одобрение человека на критических этапах.
Прямой переход от моделирования к реальному миру
В эталонном рабочем процессе используются различные виды оборудования, включая четвероногого робота Boston Dynamics Spot, гуманоидного робота Unitree G1 и колёсного робота NVIDIA Carter. Для подготовки тестовых сред применяется набор данных NVIDIA SAGE-10K, содержащий 50 различных типов помещений и 10 000 синтетических интерьеров.
Для переноса реальных помещений в среду моделирования используется технология Omniverse NuRec, с помощью которой создаются точные цифровые двойники.
Модели, обученные только в симуляции, при применении в реальных условиях без дополнительной тонкой настройки достигли 80% успешности в сложных помещениях. У роботов, использующих NVIDIA Jetson Orin в качестве бортового оборудования, время выполнения вывода составило около 30 миллисекунд. Технология NVIDIA cuVSLAM, интегрируемая при необходимости, также обеспечивает поддержку визуальной одометрии для роботов, не располагающих внешними данными позиционирования.