ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
NVIDIA(NVIDIA, $NVDA) เปิดเผยเวิร์กโฟลว์ที่ใช้เอเจนต์ AI สร้างสนามสิ่งกีดขวางเสมือนสำหรับไมโครดัก พร้อมฝึกและประเมินนโยบายการเดินเพิ่มเติมในสภาพแวดล้อมจำลอง 4,096 ชุด การฝึกและประเมินครั้งนี้เกิดขึ้นในโลกเสมือน ไม่ใช่ผลการเดินของหุ่นยนต์จริง
NVIDIA อธิบายขั้นตอนดังกล่าวในบล็อกเทคนิคเมื่อวันที่ 23 ตั้งแต่วางแผนงาน สร้างสินทรัพย์สามมิติ ประกอบสนาม ไปจนถึงฝึกและประเมินนโยบาย โดยนำส่วนลาดเอียงและการรับมือสิ่งกีดขวางมาเพิ่มให้กับนโยบายที่ฝึกให้เดินได้อยู่แล้ว
กระบวนการเริ่มจากคำสั่งที่ระบุสนามที่ไมโครดักต้องผ่านและการเคลื่อนไหวที่ต้องเรียนรู้ Hermes และ NVIDIA Nemotron 3.5 Bolt ซึ่งทำงานบน RTX Spark จะแปลงคำสั่งเป็นแผนทีละขั้น พร้อมตรวจสอบเส้นทางและขนาดสิ่งกีดขวางเพื่อจัดทำรายการสินทรัพย์
Astra สร้างวัตถุสำหรับการจำลองตามรายการดังกล่าว โดยปรับแต่งภาพอ้างอิง สร้างรูปทรงพื้นฐานด้วย FreeCAD แล้วเพิ่มรายละเอียดและวัสดุใน Blender จากนั้นส่งออกเป็นโมเดลที่แก้ไขได้และไฟล์ USD ส่วนพื้นผิวหรือขนาดที่ตรวจสอบจากภาพไม่ได้จะบันทึกไว้เป็นสมมติฐานในการสร้างโมเดล
สินทรัพย์ที่สร้างขึ้นจะนำมาประกอบเป็นสนามสิ่งกีดขวางใน Isaac Sim ไลบรารี Omniverse จัดการการเรนเดอร์ภาพและข้อมูลจากเซนเซอร์ ส่วนเอนจินฟิสิกส์ Newton คำนวณการเคลื่อนไหวและการทรงตัวของไมโครดัก ผลจากการหกล้มหรือชนสิ่งกีดขวางจะถูกนำไปใช้เป็นข้อมูลฝึกเพื่อปรับนโยบายการเดิน
การฝึกเพิ่มเติมทำใน Isaac Lab โดยใช้อินพุตจากข้อมูลความลึกของกล้องบนศีรษะและสถานะของหุ่นยนต์ เพื่อให้นโยบายรับมือกับทางลาดโค้งและพื้นผิวขรุขระ NVIDIA ระบุว่าใช้ GPU RTX PRO 6000 Blackwell Workstation Edition เพียงหนึ่งตัว รันสภาพแวดล้อมจำลอง 4,096 ชุดพร้อมกัน
เมื่อตัวนโยบายผ่านการฝึกแล้ว จะย้ายไปประเมินใน Isaac Sim บน RTX Spark ในสภาพแวดล้อมเสมือน โดยตรวจว่าไมโครดักตรวจจับสิ่งกีดขวางและปรับการเคลื่อนไหวเพื่อผ่านสนามได้หรือไม่ พร้อมบันทึกการผ่านสนาม การหกล้ม การชน และจุดที่หยุดเคลื่อนที่ เพื่อนำไปใช้ในการฝึกรอบถัดไป บันทึกเหล่านี้ไม่ได้บ่งชี้ถึงอัตราความสำเร็จหรือผลงานการเดินผ่านสิ่งกีดขวางของอุปกรณ์จริง
ไมโครดัก เป็นหุ่นยนต์สองขาแบบโอเพนซอร์ส สูง 25 ซม. และหนักประมาณ 800 กรัม พัฒนาโดย Pollen Robotics และ Hugging Face เอกสารอย่างเป็นทางการระบุว่าติดตั้งมอเตอร์ 15 ตัว กล้อง ไลดาร์ และหน่วยวัดความเฉื่อย (IMU) 2 ตัว โดยออกแบบให้ทำท่าทางต่าง ๆ เช่น การเดินที่เรียนรู้ผ่านการเรียนรู้แบบเสริมกำลังได้บนหุ่นยนต์จริง
บทเรียนสอนใช้งานร่วมกันระหว่าง Hugging Face กับ NVIDIA ซึ่งเผยแพร่เมื่อวันที่ 21 อธิบายการฝึกนโยบายการเดินใน Isaac Lab แล้วส่งออกเป็นรูปแบบ ONNX เพื่อนำไปใช้กับหุ่นยนต์จริง ค่าอินพุต 61 รายการและเอาต์พุตตำแหน่งข้อต่อ 14 รายการในบทเรียนเป็นข้อกำหนดของอินเทอร์เฟซโมเดล ไม่ใช่ตัวเลขผลการทดลองสนามสิ่งกีดขวางครั้งนี้
NVIDIA อธิบายว่าสามารถจำลองแรงเสียดทาน ความล่าช้าของคำสั่ง และระยะหลวมทางกล เพื่อช่วยลดความแตกต่างระหว่างหุ่นยนต์จริงกับการจำลองได้ บล็อกเทคนิคครอบคลุมการสร้างสนามเสมือนและการฝึกกับประเมินนโยบายเท่านั้น ก่อนหน้านี้ TokenPost เคยนำเสนอความสามารถที่เกี่ยวข้องของแพลตฟอร์มและเครื่องมือพัฒนาหุ่นยนต์ Isaac ของ NVIDIA ไว้ในรายงานนี้
ความคิดเห็น 0