NVIDIA Isaac Lab
PulseAugur coverage of NVIDIA Isaac Lab — every cluster mentioning NVIDIA Isaac Lab across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
KlaskTron: 开源机器人测试平台支持多智能体强化学习
研究人员开发了KlaskTron，一个开源、低成本的机器人测试平台，专为物理对抗性多智能体强化学习而设计。该平台基于KLASK游戏，配备双CoreXY龙门架，可实现高精度、高速操作。该项目包括完整的硬件设计、NVIDIA Isaac Lab中的GPU原生数字孪生用于模拟，以及一个经过验证的从模拟到现实的基线，支持训练后智能体的零样本策略迁移。
-
四旋翼无人机深度强化学习的新安全层
研究人员开发了CALOS（流形上控制仿射李雅普诺夫安全层），旨在强制执行四旋翼无人机深度强化学习中的安全约束。该运行时层将姿态和李雅普诺夫下降条件构建为二次规划问题，从而能够实时校正策略的扭矩输出。在NVIDIA Isaac Lab中进行测试，CALOS显著减少了横向跟踪误差，消除了姿态约束违规，同时还加速了训练收敛并提高了数据效率。
-
新的强化学习方法提高了在恶劣海况下无人机的自主着陆能力
研究人员开发了一种新颖的强化学习方法，称为基于课程的异构对抗强化学习（HARL-AC），以提高四旋翼无人机在挑战性的海上环境中自主着陆的能力。该方法利用异构代理近端策略优化（HAPPO）和对抗性风力代理，并在NVIDIA Isaac Lab中进行训练。HARL-AC系统在模拟条件下表现出色，在分布内场景中成功率高达97.5%，并且在分布外场景，尤其是在恶劣海况下，其表现明显优于传统的域随机化方法。
-
NVIDIA 通过先进的物理 AI 平台赋能 AI 机器人和机器人出租车
NVIDIA正与Skild AI合作，通过让机器人从单个视频演示中学习新任务来推进机器人技术，这种技术被称为上下文内学习。该方法由NVIDIA的AI基础设施（包括Isaac Lab和Cosmos）提供支持，使机器人能够在无需大量重新编程的情况下适应不断变化的环境。与其他人AI系统相比，Skild AI的S1机器人基础模型在任务成功率方面取得了显著的提高，并且该公司在商业部署后实现了可观的收入增长。同时，NVIDIA也是机器人出租车行业…
-
假肢手部数据用于训练工业机器人
假肢制造商 PSYONIC 正与 NVIDIA 和 ABB Robotics 合作，以解决物理人工智能中的数据问题。他们的方法包括使用从患者佩戴的触感灵巧手 Ability Hand 捕获的数据来训练工业机器人的灵巧操作。这种方法旨在为机器人提供目前所缺乏的对抓握力、触感和时机的细致理解，可能成为机器人领域的 ImageNet 数据集在计算机视觉领域的对应物。
-
双评估器架构提升人形机器人运动操纵能力
研究人员发现，强化学习中评估器的架构对人形机器人的性能有显著影响。在需要同时进行运动和操纵的任务中，使用独立评估器进行运动和操纵的双评估器系统，其性能优于统一评估器系统。在模拟测试中，双评估器方法实现了3.5倍的目标获取速度和两倍的吞吐量。
-
AWS SageMaker 集成 NVIDIA Isaac Lab 用于机器人强化学习训练
Amazon SageMaker AI 通过集成 NVIDIA Isaac Lab 来增强机器人强化学习。这使得能够加速机器人策略的训练，例如 Unitree H1 人形机器人，可以使用 SageMaker HyperPod 进行弹性、大规模分布式训练，或使用 SageMaker Training Jobs 进行临时、按需计算。该平台旨在通过利用 GPU 加速的模拟和托管基础设施，将数月的真实世界训练压缩到数小时内，从而减轻 AI 和…
-
NVIDIA 研究通过模拟到现实的突破推动机器人技术发展
NVIDIA Research 在国际机器人与自动化会议 (ICRA) 上发表了八篇新论文，详细介绍了机器人技术在模拟到现实迁移方面的进展。这些论文展示了机器人在动态环境中感知、推理、规划和行动的方法，超越了脚本化自动化。关键进展包括用于多臂协调的 ScheduleStream、用于可泛化导航策略的 COMPASS、用于自适应物体抓取的 Grasp-MPC，以及用于处理缠结材料的可变形集群操作。此外，SPARR 和 Refinery …
-
DIY Star Wars BDX droid learns to walk via reinforcement learning
一位个人用户使用定制的构建重现了星球大战中的BDX机器人，该机器人利用强化学习进行运动。与迪士尼使用的工业组件相比，该项目通过使用QDD电机和改装的割草机电池供电，显著降低了成本。该机器人通过NVIDIA Isaac Lab和MuJoCo的模拟环境学习行走，在模拟环境中因保持平衡而获得奖励，因摔倒而受到惩罚，并在数小时内实现了功能性的运动。
-
机器人利用AI驱动的深度估计进行导航，摒弃LiDAR
研究人员开发了一种新颖的机器人导航师生框架，该框架用基于视觉的单目深度估计取代了传统的LiDAR传感器。一个由特权LiDAR数据训练的教师策略，指导一个仅依赖于经过微调的Depth Anything V2模型生成的深度图的学生策略。这种纯视觉方法允许在NVIDIA Jetson Orin AGX等平台上进行完全的板载处理，在复杂3D环境中表现出优于标准LiDAR的性能。