NVIDIA beschreibt den KI-Agenten-Workflow zum Training von Microduck in der Simulation
NVIDIA hat einen Arbeitsablauf vorgestellt, um einem Referenzroboter namens Microduck beizubringen, wie er in der Simulation Hindernisse überwinden und laufen kann, wodurch KI-unterstützte Planung, Anlagenerstellung, physikalische Modellierung, Politikschulungen und lokale Validierung verknüpft werden. Das Unternehmen erklärte, der Prozess sei darauf ausgelegt, die Lücke zwischen Simulation und echter Hardware zu verringern, obwohl die endgültige physische Bereitstellung noch außerhalb des Umfangs des auf 2026-10-23 veröffentlichten Beitrags liegt.
Beweise und Kontext
Im Entwicklerblogbeitrag erklärte NVIDIA, dass der Workflow bei RTX Spark beginnt, wo Hermes und NVIDIA Nemotron 3.5 Bolt eine Aufgabenaufforderung in einen strukturierten Plan für den Hindernisparcours verwandeln, während Astra bei der Erstellung und Verifizierung von Vermögenswerten hilft. Das Unternehmen beschrieb den Plan als Aspekt von Forschung, Konzeptgenerierung, Inventarisierung von Vermögenswerten, Übergaben, Anlagenerstellung und Simulationstests. Der Beitrag erklärte, dass der Roboter mehr tun muss, als nur einer Geh-Strategie zu folgen: Er muss seine Umgebung wahrnehmen, das Gleichgewicht halten und sich anpassen, wenn Hindernisse seinen Weg blockieren.
Der Workflow wechselt dann zur Erstellung von Simulations-Assets. NVIDIA sagte, Astra könne Referenzbilder verbessern, editierbare Geometrien in FreeCAD erstellen, Materialien in Blender anwenden und USD Assets für die Verwendung in Isaac Sim exportieren. Der Beitrag verwies außerdem auf die SimReady Central Library, die dort als freie Bibliothek mit mehr als 2,000 simulationsbereiten OpenUSD-Assets beschrieben wird, als Quelle wiederverwendbarer Umweltkomponenten. NVIDIA sagte, dass die zusammengestellte Umgebung diese Assets mit Isaac Sim, Omniverse-Rendering und Newton-Physik kombiniert, um Roboterbewegungen, Sensorbeobachtungen und Balance zu modellieren.
Für das Policy-Training erklärte das Unternehmen, dass Isaac Lab viele Simulationen parallel durchführt und Reinforcement Learning nutzt, um eine gemeinsame Richtlinie zu verbessern. Im beschriebenen Beispiel wurde Microduck darauf trainiert, eine gekrümmte Rampe und unebene Oberflächen mithilfe von Head-Camera-Tiefen- und Roboterzustandsbeobachtungen zu durchqueren. NVIDIA erklärte, dass der Anpassungslauf 4,096 parallelen Umgebungen auf einer NVIDIA RTX PRO 6000 Blackwell Workstation Edition GPU verwendet wurde. Der Beitrag lieferte keine vergleichenden Leistungskennzahlen oder gab an, ob die resultierende Policy auf physischer Hardware im selben Workflow getestet wurde.
Nach dem Training erklärte NVIDIA, dass die Richtlinie auf RTX Spark in Isaac Sim validiert wird, wo der Roboter simulierte Beobachtungen erhält, Aktionen vorhersagt und auf Hinderniserkennung, Gleichgewicht und Streckenabschluss überprüft wird. Das Unternehmen erklärte, die Bewertung solle Stürze, Kollisionen und Punkte, an denen der Fortschritt stoppt, dokumentieren, wobei Rollout-Videos zur weiteren Iteration verwendet werden. Der Beitrag behandelte außerdem die Vorbereitung von Simulation auf Realität, einschließlich Better Actuator Models, die Befehlsverzögerungen, Rückspiel und Spannungsabfälle widerspiegeln, sowie Domänenrandomisierung, um die Richtlinie Variationen in Physik und Sensorrauschen auszusetzen.
Der Artikel stellt den Ansatz als eine gestufte Pipeline für die Robotikentwicklung dar, statt als Behauptung eines universellen Sim-zu-Real-Transfers. NVIDIA erklärte, dass noch weitere Verfeinerungen nötig seien, bevor eine trainierte Richtlinie am Bordcomputer des Roboters durchgeführt werden kann, und dass Details zur Hardware-Bereitstellung außerhalb des Umfangs des Beitrags lägen.