NVIDIA Robotikforschung

Vorprogrammierte Roboter haben Probleme mit unerwarteten Veränderungen, während KI-gesteuerte Roboter auf Simulation basierendes Lernen nutzen, um sich dynamischen Umgebungen anzupassen. Dadurch können sie Funktionen wie die Navigation und Manipulation verfeinern und die Leistungsfähigkeit in den verschiedensten Szenarien verbessern.

Physische KI-gestützte Roboter müssen komplexe Aufgaben selbstständig in dynamischen Umgebungen ausführen. Ein „Sim-First“-Ansatz ist unerlässlich, damit die Entwickler diese Roboter vor der Bereitstellung in physikbasierten digitalen Umgebungen trainieren und validieren können.

Wenn Roboter komplexere Aufgaben bewältigen sollen, reichen herkömmliche Programmiermethoden nicht mehr aus. Bestärkendes Lernen (Reinforcement Learning, RL) schließt diese Lücke durch das Trainieren von Robotern in virtuellen Umgebungen mit der Tri­al-and-Er­ror-Me­tho­de, um deren Fähigkeiten in der Steuerung, Wegplanung und Manipulation zu verbessern.

Virtuelle Einrichtungen – einschließlich Fabriken, Lagerhäuser, Verteilerzentren, Halbleiterfabriken und Rechenzentren – eröffnen neue Möglichkeiten für Schwerindustrien. Diese virtuellen Umgebungen ermöglichen das Design, die Simulation, den Betrieb und die Optimierung von Assets und Prozessen vollständig in einem digitalen Raum.