IsaacLab
PulseAugur coverage of IsaacLab — every cluster mentioning IsaacLab across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
NVIDIA和李飞飞团队推出SimFoundry，用于可扩展机器人训练
来自NVIDIA GEAR、斯坦福大学和佐治亚理工学院的研究人员推出了一款名为SimFoundry的新系统，旨在从真实世界的视频中生成海量机器人训练数据。这种Real-to-Sim方法可以自动重建交互式3D环境，然后通过改变物体、场景和任务来扩展这些环境，从而创建原始场景的“数字表亲”。在该生成数据上训练的策略在真实机器人应用中表现出强大的零样本部署能力，标志着可扩展机器人训练的重大飞跃。
-
改进的软Actor-Critic算法在机器人运动方面达到PPO性能水平
研究人员开发了一种改进版的软Actor-Critic (SAC)算法，该算法在训练腿式机器人方面达到了与Proximal Policy Optimization (PPO)算法相媲美的性能。这种新方法通过允许SAC重用过去的经验来解决其样本效率低的问题，使其适用于模拟到现实的迁移以及在物理硬件上进行在线学习。这些改进包括策略初始化、Critic目标和回报估计方面的优化，使得SAC能够在各种机器人平台和运动任务上稳定地进行大规模训练。
-
TAVIS基准测试通过自主视觉推动机器人模仿学习发展
研究人员推出了TAVIS，这是一个旨在评估机器人模仿学习中自主视觉的新基准测试。该基准测试包括两个任务套件：TAVIS-Head和TAVIS-Hands，它们基于人形具身，并利用IsaacLab。TAVIS提供了一个配对的头戴摄像头与固定摄像头协议、用于预测性注视的新颖的注视-动作提前时间（GALT）指标，以及程序性的分布内/分布外划分。使用Diffusion Policy和$\pi_0$进行的初步实验表明，自主视觉通常能提高性能，但…
-
新的C++引擎HASE在多智能体强化学习训练中达到33M步/秒
研究人员开发了一种名为捉迷藏引擎 (HASE) 的新C++引擎，旨在显著提高在去中心化、部分可观察环境中的强化学习智能体训练效率。通过利用面向数据设计和优化的内存处理，HASE在单个智能体上实现了高达每秒3300万步的惊人吞吐量。该引擎大大缩短了多智能体策略的训练时间，使得复杂的协作行为能在几分钟内学会。