NVIDIA detalha o fluxo de trabalho do agente de IA para treinar Microduck em simulação
A NVIDIA delineou um fluxo de trabalho para ensinar um robô de referência chamado Microduck a caminhar e navegar por obstáculos na simulação, conectando planejamento assistido por IA, criação de ativos, modelagem física, treinamento de políticas e validação local. A empresa afirmou que o processo foi projetado para reduzir a distância entre simulação e hardware real, embora a implantação física final ainda esteja fora do escopo do post publicado em 2026-10-23.
Evidências e contexto
No post do blog do desenvolvedor, a NVIDIA disse que o fluxo de trabalho começa no RTX Spark, onde a Hermes e a NVIDIA Nemotron 3.5 Bolt transformam um prompt de tarefa em um plano estruturado para o percurso de obstáculos, enquanto a Astra ajuda a criar e verificar ativos. A empresa descreveu o plano como abrangendo pesquisa, geração de conceitos, inventário de ativos, transferência, criação de ativos e testes de simulação. O post dizia que o robô deve fazer mais do que seguir uma política de caminhada: deve perceber seu entorno, manter o equilíbrio e ajustar quando obstáculos bloqueiam seu caminho.
O fluxo de trabalho então passa para a produção de ativos de simulação. A NVIDIA disse que a Astra pode aprimorar imagens de referência, construir geometria editável no FreeCAD, aplicar materiais no Blender e exportar USD assets para uso no Isaac Sim. O post também apontou para a SimReady Central Library, descrita lá como uma biblioteca gratuita com mais de 2,000 ativos OpenUSD prontos para simulação, como fonte de componentes reutilizáveis do ambiente. A NVIDIA disse que o ambiente montado combina esses ativos com Isaac Sim, renderização Omniverse e física Newton para modelar o movimento do robô, observações de sensores e balanceamento.
Para treinamento de políticas, a empresa disse que o Isaac Lab roda muitas simulações em paralelo e usa aprendizado por reforço para melhorar uma política compartilhada. No exemplo descrito, o Microduck foi treinado para atravessar uma rampa curva e superfícies irregulares usando observações de profundidade da câmera frontal e estado do robô. A NVIDIA disse que a corrida de adaptação utilizou ambientes paralelos 4,096 em uma GPU NVIDIA RTX PRO 6000 Blackwell Workstation Edition. A postagem não forneceu métricas comparativas de desempenho nem indicou se a política resultante foi testada em hardware físico no mesmo fluxo de trabalho.
Após o treinamento, a NVIDIA informou que a política é validada no RTX Spark em Isaac Sim, onde o robô recebe observações simuladas, prevê ações e é verificado quanto à detecção de obstáculos, equilíbrio e conclusão do curso. A empresa afirmou que a avaliação deve registrar quedas, colisões e pontos onde o progresso para, com vídeos de lançamento usados para guiar a iteração futura. A postagem também abordou a preparação para simulação para real, incluindo Modelos Melhores de Atuadores para refletir atrasos de comando, retrocesso e quedas de tensão, bem como randomização de domínio para expor a política a variações na física e ruído dos sensores.
O artigo apresenta a abordagem como um pipeline escalonado para o desenvolvimento robótico, em vez de uma alegação de transferência universal de simulador para real. A NVIDIA afirmou que ainda é necessário refinamento adicional antes de executar uma política treinada no computador de bordo do robô, e que detalhes sobre a implantação de hardware estão fora do escopo do post.