NVIDIA подробно описывает рабочий процесс ИИ-агента для обучения Microduck в симуляции
NVIDIA разработала рабочий процесс для обучения эталонного робота под названием Microduck ходить и преодолевать препятствия в симуляции, объединяя ИИ с помощью планирования, создания активов, физического моделирования, обучения политике и локальной валидации. Компания заявила, что процесс направлен на сокращение разрыва между симуляцией и реальным оборудованием, хотя окончательное физическое внедрение остаётся вне рамок публикации, опубликованной 2026-10-23.
Доказательства и контекст
В блоге разработчиков NVIDIA сообщила, что рабочий процесс начинается на RTX Spark, где Hermes и NVIDIA Nemotron 3.5 Bolt превращают подсказку задачи в структурированный план полосы препятствий, а Astra помогает создавать и проверять активы. Компания описала план как охватывающий исследования, генерацию концепций, инвентаризацию активов, передачу объектов, создание активов и симуляционное тестирование. В посте говорится, что робот должен делать не только политику ходьбы: он должен воспринимать окружающую обстановку, сохранять равновесие и корректировать, когда препятствия препятствуют пути.
Затем рабочий процесс переходит к созданию симуляционных ассетов. NVIDIA заявила, что Astra может улучшать эталонные изображения, строить редактируемую геометрию в FreeCAD, применять материалы в Blender и экспортировать USD ресурсы для использования в Isaac Sim. В посте также упоминается SimReady Central Library, описанная там как бесплатная библиотека из более чем 2,000 готовых к симуляции активов OpenUSD, как источник многоразовых компонентов среды. NVIDIA отметила, что собранная среда объединяет эти ресурсы с Isaac Sim, рендерингом Omniverse и физикой Ньютона для моделирования движения роботов, наблюдений сенсоров и баланса.
Для обучения политике компания отметила, что Isaac Lab проводит множество симуляций параллельно и использует обучение с помощью подкрепления для улучшения общей политики. В описанном примере Microduck был обучен перемещаться по изогнутой рампе и неровным поверхностям с использованием наблюдения глубины камеры и состояния робота. NVIDIA сообщила, что адаптация использовала 4,096 параллельных средах на GPU NVIDIA RTX PRO 6000 Blackwell Workstation Edition. В публикации не приводились сравнительные показатели производительности и не указывалось, была ли полученная политика протестирована на физическом оборудовании в том же рабочем процессе.
После обучения NVIDIA сообщила, что политика подтверждается на RTX Spark в Isaac Sim, где робот получает симулированные наблюдения, прогнозирует действия и проверяется на обнаружение препятствий, баланс и прохождение маршрута. Компания заявила, что оценка должна фиксировать падения, столкновения и точки остановки прогресса, а также использовать видео развертывания для дальнейших итераций. В посте также обсуждалась подготовка от симуляции к реальности, включая Better Actuator Models для отражения задержек команд, люфта и падений напряжения, а также рандомизацию доменов для подвержения политике изменениям в физике и шуме датчиков.
В статье подход рассматривается как поэтапный конвейер для разработки робототехники, а не как заявление о универсальном переносе симулятора в реальную систему. NVIDIA заявила, что перед запуском обученной политики на бортовом компьютере робота требуется дальнейшее уточнение, и что детали развертывания оборудования выходят за рамки этого поста.