NVIDIA detalla el flujo de trabajo del agente IA para entrenar a Microduck en simulación
NVIDIA ha delineado un flujo de trabajo para enseñar a un robot de referencia llamado Microduck a caminar y navegar obstáculos en simulación, vinculando la planificación asistida por IA, la creación de activos, el modelado físico, la formación en políticas y la validación local. La empresa afirmó que el proceso está diseñado para reducir la brecha entre la simulación y el hardware real, aunque el despliegue físico final sigue fuera del alcance de la publicación publicada el 2026-10-23.
Evidencia y contexto
En la entrada del blog para desarrolladores, NVIDIA dijo que el flujo de trabajo comienza en RTX Spark, donde Hermes y NVIDIA Nemotron 3.5 Bolt convierten una consigna de tarea en un plan estructurado para el circuito de obstáculos, mientras Astra ayuda a crear y verificar activos. La empresa describió el plan como que cubre investigación, generación de conceptos, inventario de activos, traspaso, creación de activos y pruebas de simulación. La publicación decía que el robot debe hacer más que seguir una política de caminar: debe percibir su entorno, mantener el equilibrio y ajustarse cuando los obstáculos bloqueen su camino.
El flujo de trabajo pasa entonces a la producción de activos de simulación. NVIDIA dijo que Astra puede mejorar imágenes de referencia, construir geometría editable en FreeCAD, aplicar materiales en Blender y exportar USD activos para su uso en Isaac Sim. La publicación también señaló SimReady Central Library, descrita allí como una biblioteca gratuita de más de 2,000 activos OpenUSD listos para simulación, como fuente de componentes reutilizables del entorno. NVIDIA dijo que el entorno ensamblado combina estos activos con Isaac Sim, renderizado Omniverse y física Newton para modelar el movimiento de los robots, observaciones de sensores y equilibrio.
Para la formación en políticas, la empresa dijo que Isaac Lab ejecuta muchas simulaciones en paralelo y utiliza aprendizaje por refuerzo para mejorar una política compartida. En el ejemplo descrito, Microduck fue entrenado para recorrer una rampa curva y superficies irregulares utilizando observaciones de profundidad de cámara frontal y estado del robot. NVIDIA dijo que la ejecución de adaptación utilizó 4,096 entornos paralelos en una GPU NVIDIA RTX PRO 6000 Blackwell Workstation Edition. La publicación no proporcionó métricas comparativas de rendimiento ni indicó si la política resultante se probó en hardware físico en el mismo flujo de trabajo.
Tras la formación, NVIDIA dijo que la política se valida en RTX Spark en Isaac Sim, donde el robot recibe observaciones simuladas, predice acciones y se comprueba para detectar obstáculos, equilibrar y completar el recorrido. La empresa dijo que la evaluación debería registrar caídas, colisiones y puntos donde el progreso se detiene, utilizando vídeos de despliegue para guiar la iteración posterior. La publicación también abordó la preparación de simulación a real, incluyendo modelos de actuadores mejores para reflejar retardos de comando, retrocesos y caídas de voltaje, así como la aleatorización de dominios para exponer la política a variaciones en la física y el ruido de los sensores.
El artículo enmarca el enfoque como una cadena de desarrollo de robótica por etapas más que como una afirmación de transferencia universal de simulación a real. NVIDIA señaló que aún se necesita más refinamiento antes de ejecutar una política entrenada en el ordenador de a bordo del robot, y que los detalles del despliegue de hardware quedan fuera del alcance de la publicación.