适用于不同机器人的通用导航架构
让机器人适应新环境并安全完成路线，仍然是自主技术领域的主要技术难题之一。NVIDIA 推出了名为 COMPASS 的全新自主导航框架，旨在简化这一过程，并消除每次硬件发生变化时重新训练的需求。该架构能够让具有不同物理特征的机器基于共同基础进行训练，同时将强化学习与人工智能编码智能体结合起来。
借助残差强化学习实现高成功率
在传统方法中，启用新的环境或机器人设计时，需要重新准备全部软件接口、数据集和仿真环境。NVIDIA COMPASS 则采用预先训练的 X-Mobility 导航模型。在残差强化学习方法的帮助下，该系统在基础模型之上开发专家策略，添加小幅修正动作。
测试结果显示，与从零开始训练的模仿学习模型相比，这种方法将成功率提高了约5倍，并显著提升了行进效率。
人工智能编码智能体在自动化训练和测试阶段方面承担着重要任务。这些智能体会检查软件依赖项、创建仿真资产、执行初步测试，并分析由此产生的失败情况。与此前揭示人工智能智能体成功关键在于控制架构的研究相一致，COMPASS 架构在关键阶段保留人工审批，将安全性置于优先位置。
从仿真直接过渡到现实世界
在参考工作流中，除了 Boston Dynamics Spot 四足机器人之外，还采用了包括 Unitree G1 人形机器人和 NVIDIA Carter 轮式机器人在内的多种硬件。测试环境的准备则使用了 NVIDIA SAGE-10K 数据集，该数据集包含50种不同的房间类型和10,000个合成室内环境。
为了将真实场所转移到仿真环境中，工作流采用了 Omniverse NuRec 技术，并构建了高精度数字孪生。
仅在仿真环境中训练的模型，无需额外微调便应用于现实世界条件时，在复杂环境中取得了80%的成功率。在使用 NVIDIA Jetson Orin 作为板载硬件的机器人上，推理时间测得约为30毫秒。可按需集成的 NVIDIA cuVSLAM 技术还能够为不具备外部定位数据的机器人提供视觉里程计支持。