工业机器人装配应用中，跨越模拟与真实世界差距的问题一直是重大挑战。装配作业在制造业、汽车业、航空航天、电子和医疗器械等诸多领域扮演着重要角色，但在这些行业中，机器人装配系统往往受限于固定自动化。这些系统设计时需要大量的人工工程参与，以完成特定任务，从而限制了它们的适应性和可扩展性。 背景与目标 为了克服这一局限，未来机器人装配系统必须具备灵活自动化的能力，即能够快速适应新部件、新姿态和新环境。NVIDIA 在这一领域进行了多年的研究，并与 Universal Robots（UR）建立了合作伙伴关系，将这些研究成果转化为实际工业应用。近期，他们在 UR10e 机器人上展示了从模拟直接转移到真实世界的齿轮装配任务，展示了如何利用 NVIDIA Isaac Lab 和 Isaac ROS 实现这一目标。 训练与部署 Isaac Lab 是一个开源的、模块化的机器人学习训练框架，能够实现高精度的接触丰富模拟，并支持大规模的强化学习（RL）训练。Isaac ROS 基于开源的 ROS 2 软件框架，提供了一系列加速计算包和 AI 模型，使得 ROS 开发者可以利用 NVIDIA 的加速性能。 在这项研究中，齿轮装配任务涉及感知、抓取、运输和插入多个齿轮到对应的轴上。整个任务由三个核心技能组成：抓取生成、自由空间运动生成以及插入。具体步骤如下： 抓取生成：使用现成的抓取规划器生成可行的抓取姿势。 自由空间运动生成：通过强化学习训练策略，生成机器人臂的运动路径。 插入：同样通过强化学习训练策略，使机器人能够准确地完成齿轮插入动作。 强化学习与仿真环境 强化学习技术在这个任务中发挥了重要作用，因为它不需要人类示例数据，并且对感知误差、控制误差和夹具问题具有较高的鲁棒性。NVIDIA 利用 IndustReal 算法和工具集，解决了模拟与现实之间的差距问题。这些算法能够在平行环境中运行，使代理经历多样且有价值的体验，从而更有效地学习任务。 网络架构与算法 每个策略都采用了长短期记忆（LSTM）网络结构，包含 256 个单元，随后是一个三层的多层感知器（MLP），分别有 256、128 和 64 个神经元。训练使用的是来自 rl-games 库的近端策略优化（PPO）算法，在 Isaac Sim 4.5 和 Isaac Lab 2.1 上运行，依赖于 NVIDIA RTX 4090 GPU。 训练与测试结果 训练过程中，机器人经历了多种随机配置，如不同的初始机械臂姿态、齿轮抓取姿态、齿轮尺寸和任务阶段（尚未插入任何齿轮或已插入部分齿轮）。为了减少模拟与现实的差距，还应用了域随机化技术，调整了机器人的动态参数（关节摩擦和阻尼）及控制器增益，并加入了观测噪声。 测试结果显示，训练好的策略在 UR10e 机器人上表现良好。机器人能够感知并抓取放置在随机位置的齿轮，然后将其精确地插入对应的轴上。策略对齿轮装配顺序和初始姿态具有较高的鲁棒性，能够顺利完成多步装配任务。 技术支持 NVIDIA 与 UR 合作，通过 Isaac ROS 和 UR 的低层扭矩接口部署了训练好的策略。这种控制方式使得机器人在进行接触丰富的操作时更加安全和柔顺，克服了传统位置控制器的刚性限制。 后续计划 NVIDIA 表示，他们将继续开放 Isaac Lab 的环境和训练代码，帮助更多开发者测试并训练自己的接触丰富操纵策略。公司还提供了多种资源，包括免费的 NVIDIA 机器人基础课程、文档、视频资源和开发论坛，鼓励开发者加入这一生态系统。 业内人士评价 业内专家认为，NVIDIA 与 UR 的合作标志着工业机器人领域的一个重要突破。通过灵活的模拟训练和实际部署，这项技术为未来的自动化制造提供了更多的可能性。NVIDIA 在机器人学习和模拟技术领域的持续投入，使其在全球范围内处于领先地位。 公司背景 NVIDIA 是一家领先的科技公司，专注于图形处理器技术和人工智能计算平台。Universal Robots 成立于 2005 年，是一家全球领先的协作机器人生产商，致力于使机器人技术更易于访问和使用。两家公司的合作为工业机器人装配技术的发展注入了新的动力。