NVIDIA 的 COMPASS 框架简化机器人导航训练

NVIDIA 推出了一个新的 AI 驱动工作流程，名为 COMPASS，旨在训练机器人跨载体的导航策略。该框架利用强化学习 (RL) 和预训练导航模型，减少了不同机器人类型和环境之间适配导航能力所需的时间和成本。鉴于对可扩展自主系统的需求不断增长，这一发展可能成为机器人开发人员的重要工具。

COMPASS（跨载体移动策略，通过残差强化学习和技能合成）的核心理念是避免为每一个机器人-环境组合重新发明轮子。传统方法需要为每种独特场景重建数据集、模拟和训练管道，这既耗时又昂贵。而 COMPASS 通过使用预训练的基础策略——NVIDIA 的 X-Mobility 模型，并借助残差 RL 对其进行微调，以适应特定机器人的导航动作和环境。

工作原理

开发人员首先在 COMPASS 框架中定义机器人、环境和导航目标。然后，AI 代理自动化完成一些常规任务，例如依赖项验证、模拟资产准备以及训练诊断。系统在关键阶段（如场景注册或检查点评估）集成人工审批检查点，以确保质量和可复现性。

测试有三种主要选项：预配置的仓库模拟、从 SAGE-10K 数据集中生成的场景，或者通过 NVIDIA 的 Omniverse NuRec 重建的真实环境。每条路径都支持逐步验证，从初步测试到完整训练，确保导航策略在部署前满足安全性和性能基准。

为不断增长的市场提供可扩展导航

COMPASS 的推出正值自主导航领域快速发展的时期。市场研究预测，到 2025 年，全球 AI 机器人导航市场将达到 64.5 亿美元，而整个自主导航市场预计到 2026 年将增长至 74.4 亿美元，年复合增长率超过 21%。这凸显了需要能够简化导航策略开发并覆盖多种用例的工具。

鉴于该领域从传统的 SLAM（同时定位与建图）系统向先进 AI 模型的转变，COMPASS 尤为重要。最近的进展，例如 MIT 的 DAAAM 框架（用于长期记忆）和基础模型 NavFoM，突出了行业对泛化、能源效率和现实部署限制的关注。COMPASS 直接响应了这些需求，通过支持动态环境、无 GPS 定位和低功耗推理管道。

部署与实际应用

一旦导航策略经过训练和验证，开发人员可以使用 NVIDIA 的 Isaac Sim 和 ROS 2 进行部署。COMPASS 运行时集成视觉数据、里程计和导航目标，以为机器人的控制器生成速度指令。对于缺乏 GPS 或精确里程计的环境，NVIDIA 的 cuVSLAM 库可以通过视觉输入提供状态估计。

COMPASS 的模块化设计还允许开发人员以最少的额外工程工作加载新类型的机器人。例如，可以通过“新载体”工作流程集成一个以前未注册的机器人，该流程会指导开发人员完成配置、动作映射和验证步骤。

对机器人行业的影响

随着机器人导航研究加速，像 COMPASS 这样的工具将在降低实验和部署障碍方面发挥重要作用。NVIDIA 的方法与行业更广泛的趋势保持一致，包括仿生导航系统和资源高效学习模型。通过自动化大部分开发管道，COMPASS 可以加快迭代周期，并为小型团队在不断增长的自主机器人市场中竞争打开大门。

对于希望采用 COMPASS 的开发人员、研究人员和机器人公司，可以在 NVIDIA 的 GitHub 上找到相关资源，以及详细的文档和教程工作流程。该框架在扩展导航训练的同时保持安全性和可复现性的能力，可能使其成为下一代机器人开发的基石。