Модель GR00T 2 и обучение на данных
GR00T 2 обучалась на разнообразных данных роботов и людей, включая 100 000 часов открытых эгоцентрических данных NVIDIA. Модель предназначена для освоения навыков ловкого манипулирования. Без специфических демонстраций для каждой задачи система выполнила 40 из 50 тестовых операций хотя бы один раз.
Ключевая особенность — перенос навыков между разными корпусами роботов на основе человеческих демонстраций. При наличии одной демонстрации на задачу средний успех составил 71%, а при пяти — вырос до 95%. API модели позволяет ИИ-агентам запускать последовательности действий и восстанавливаться после ошибок.
Симуляция в Isaac Lab 3.0
Isaac Lab 3.0 позволяет быстро настраивать среды обучения с использованием ассетов, готовых к симуляции. Интеграция с физическим движком Newton добавляет поддержку деформируемых объектов, таких как кабели и ткань, а также сложных артикулированных систем. Это критически важно для точного переноса навыков из виртуальной среды в реальность.
Сочетание Isaac Lab и Newton обеспечивает высокую производительность: в бенчмарках зрительного манипулирования пропускная способность обучения выросла в 2,5 раза по сравнению с предыдущей версией на PhysX. Исследователи могут обучать тысячи симулированных роботов параллельно.
Промышленные бенчмарки и внедрение
Для оценки надежности в меняющихся условиях NVIDIA выпустила Isaac Lab-Arena — фреймворк для масштабной оценки политик. Разработаны два новых открытых бенчмарка: DexBench и VABAR. DexBench, созданный совместно с RLWRLD, тестирует ловкость в 15 задачах из ритейла, логистики и производства. VABAR от UC Berkeley оценивает роботов в шести промышленных задачах с различными уровнями сложности.
Партнеры уже тестируют технологии: Nexuni применяет GR00T 2 для роботизированной стирки, Foxconn — для автоматизации производства серверов, а Siemens оценивает решения для промышленных кейсов. MicroAGI использует модель для замены Ethernet-кабелей с помощью манипулятора YAM.
