NVIDIA détaille le flux de travail de l’agent IA pour entraîner Microduck en simulation
NVIDIA a défini un flux de travail pour enseigner à un robot de référence appelé Microduck à marcher et à naviguer dans des obstacles en simulation, en reliant la planification assistée par IA, la création d’actifs, la modélisation physique, la formation aux politiques et la validation locale. L’entreprise a indiqué que ce procédé est conçu pour réduire l’écart entre la simulation et le matériel réel, bien que le déploiement physique final reste en dehors du cadre de l’article publié le 2026-10-23.
Preuves et contexte
Dans l’article du blog du développeur, NVIDIA a indiqué que le flux de travail commence sur RTX Spark, où Hermes et NVIDIA Nemotron 3.5 Bolt transforment une invite de tâche en un plan structuré pour le parcours d’obstacles, tandis qu’Astra aide à créer et à vérifier les actifs. La société a décrit le plan comme couvrant la recherche, la génération de concepts, l’inventaire des actifs, la transmission, la création d’actifs et les tests de simulation. Le post précisait que le robot doit faire plus qu’une simple politique de marche : il doit percevoir son environnement, garder l’équilibre et s’ajuster lorsque des obstacles bloquent son chemin.
Le flux de travail passe ensuite à la production d’assets de simulation. NVIDIA a indiqué qu’Astra peut améliorer les images de référence, construire des géométries modifiables dans FreeCAD, appliquer des matériaux dans Blender et exporter USD assets pour une utilisation dans Isaac Sim. Le post a également évoqué SimReady Central Library, décrite comme une bibliothèque gratuite de plus de 2,000 assets OpenUSD prêts pour la simulation, comme source de composants d’environnement réutilisables. NVIDIA a indiqué que l’environnement assemblé combine ces assets avec Isaac Sim, le rendu Omniverse et la physique Newton pour modéliser le mouvement des robots, les observations des capteurs et l’équilibre.
Pour la formation aux politiques, l’entreprise a indiqué qu’Isaac Lab effectue de nombreuses simulations en parallèle et utilise l’apprentissage par renforcement pour améliorer une politique partagée. Dans l’exemple décrit, Microduck a été entraîné à traverser une rampe courbe et des surfaces inégales en utilisant des observations de profondeur de caméra frontale et d’état robotique. NVIDIA a indiqué que la série d’adaptation utilisait 4,096 environnements parallèles sur un GPU NVIDIA RTX PRO 6000 Blackwell Workstation Edition. Le post n’a pas fourni de métriques de performance comparatives ni indiqué si la politique résultante avait été testée sur du matériel physique dans le même flux de travail.
Après la formation, NVIDIA a indiqué que la politique est validée sur RTX Spark dans Isaac Sim, où le robot reçoit des observations simulées, prédit les actions et est vérifié pour la détection d’obstacles, l’équilibre et la complétion du parcours. La société a indiqué que l’évaluation devrait enregistrer les chutes, collisions et points où la progression s’arrête, avec des vidéos de déploiement utilisées pour guider les itérations ultérieures. L’article a également évoqué la préparation simulation-to-real, incluant des modèles améliorés d’actionneurs pour refléter les délais de commande, le contrecoup et les chutes de tension, ainsi que la randomisation des domaines pour exposer la politique à la variation de la physique et au bruit des capteurs.
L’article présente cette approche comme un pipeline étaché pour le développement robotique plutôt qu’une revendication d’un transfert universel de simulation vers le réel. NVIDIA a indiqué qu’un raffinement supplémentaire est encore nécessaire avant de lancer une politique entraînée sur l’ordinateur embarqué du robot, et que les détails du déploiement matériel dépassent le cadre du post.