NVIDIA는 Microduck 시뮬레이션 훈련을 위한 AI-에이전트 워크플로우를 상세히 설명합니다

NVIDIA는 마이크로덕이라는 레퍼런스 로봇을 학습시켜 시뮬레이션에서 장애물을 걷고 탐색하는 방법을 교육하는 워크플로우를 제시했으며, 이는 AI 지원 계획, 자산 생성, 물리 모델링, 정책 교육, 로컬 검증을 통합하는 것이었습니다. 회사는 이 과정이 시뮬레이션과 실제 하드웨어 간의 격차를 좁히기 위해 설계되었으나, 최종 물리적 배포는 2026-10-23에 게시된 게시물의 범위를 벗어나고 있다고 밝혔습니다.

증거와 맥락

개발자 블로그 글에서 NVIDIA는 워크플로우가 RTX Spark에서 시작된다고 밝혔는데, Hermes와 NVIDIA Nemotron 3.5 Bolt가 작업 프롬프트를 장애물 코스의 구조화된 계획으로 바꾸고, Astra는 자산 생성과 검증을 돕는다. 회사는 이 계획을 연구, 개념 생성, 자산 재고, 인수인계, 자산 생성, 시뮬레이션 테스트를 포함한다고 설명했다. 게시물에 따르면 로봇은 단순히 걷는 정책을 따르는 것 이상을 해야 한다: 주변을 인지하고 균형을 유지하며 장애물이 길을 막을 때 조정해야 한다.

그 후 워크플로우는 시뮬레이션 자산 제작으로 넘어갑니다. NVIDIA는 Astra가 참조 이미지를 향상시키고, FreeCAD에서 편집 가능한 지오메트리를 만들고, Blender에서 재료를 적용하고, USD 자산을 내보내 Isaac Sim에서 사용할 수 있다고 밝혔습니다. 게시물은 또한 SimReady Central Library를 2,000개 이상의 시뮬레이션 준비 가능한 OpenUSD 자산을 무료로 제공하는 라이브러리로 재사용 가능한 환경 구성 요소의 출처로 언급했습니다. NVIDIA는 이 조립된 환경이 이 자산들을 Isaac Sim, Omniverse 렌더링, Newton 물리학과 결합하여 로봇 움직임, 센서 관찰 및 균형을 모델링한다고 밝혔습니다.

정책 교육을 위해 회사는 아이작 랩이 여러 시뮬레이션을 병렬로 실행하며 강화 학습을 통해 공유 정책을 개선한다고 밝혔습니다. 설명된 예시에서 마이크로덕은 헤드 카메라 깊이와 로봇 상태 관찰을 이용해 곡선 경사로와 고르지 않은 표면을 이동하도록 훈련받았습니다. NVIDIA는 적응 테스트가 NVIDIA RTX PRO 6000 Blackwell 워크스테이션 에디션 GPU 4,096 병렬 환경을 사용했다고 밝혔습니다. 게시물에서는 성능 비교 지표나 결과 정책이 동일한 워크플로우 내 물리적 하드웨어에서 테스트되었는지 여부는 제공하지 않았습니다.

교육 후 NVIDIA는 이 정책이 아이작 심의 RTX Spark에서 검증되었으며, 로봇이 시뮬레이션된 관측을 받고 행동을 예측하며 장애물 감지, 균형 감각, 코스 완주 여부를 점검한다고 밝혔습니다. 회사는 평가가 낙하, 충돌, 진행 중단 지점을 기록하고, 추가 반복을 안내하는 롤아웃 영상을 활용해야 한다고 밝혔습니다. 게시물에서는 명령 지연, 백래시, 전압 강하를 반영하는 Better Actuator Models, 그리고 물리 및 센서 노이즈 변동에 노출하는 도메인 무작위화 등 시뮬레이션에서 실제 준비에 대해서도 논의했습니다.

기사는 이 접근법을 보편적 시뮬레이션-실제 이전이라는 주장보다는 로봇 개발을 위한 단계적 파이프라인으로 제시한다. NVIDIA는 로봇의 온보드 컴퓨터에서 훈련된 정책을 실행하기 전에 추가 개선이 필요하며, 하드웨어 배치 세부 사항은 게시물의 범위를 벗어난다고 밝혔다.