NVIDIA stellt Simulation für Roboterpräzision auf CoRL vor

Auf der Conference on Robot Learning in Austin, Texas, stellt NVIDIA in dieser Woche neue offene Robotiktechnologien vor, die Roboter von Fortbewegung auf präzise Manipulation vorbereiten. Die Werkzeuge sollen helfen, Präzision, Anpassungsfähigkeit und Autonomie von Laborversuchen in industrielle Anwendungen zu überführen. Ein Kernstück ist das auf NVIDIA Cosmos basierende Weltaktionsmodell GR00T 2. Es lernt aus Robot- und Humandaten, darunter 100.000 Stunden egozentrische Open-Source-Daten, und soll Robotern feinfühlige Montage-, Kabel- und Steckaufgaben ermöglichen. Nach Angaben von NVIDIA gehört GR00T 2 in mehreren Vergleichstests für visuelle Sprach- und Aktionsmodelle sowie Weltaktionsmodelle zu den drei besten Ansätzen und erzielt mehrere Spitzenplätze. Nexuni testet das Modell für Wäschelogistik, Foxconn für die Serverfertigung, Siemens für industrielle Einsatzszenarien und MicroAGI für automatisierten Ethernet-Kabeltausch. Für die Skalierung der Lernprozesse stellt NVIDIA Isaac Lab 3.0 vor. Die offene Robotik-Lernplattform unterstützt PhysX und Newton als Physik-Engines, um realistische Simulationen von Kabeln, Textilien, verformbaren Objekten und komplexen Gelenkwerken zu erzeugen. In einem visuellen Manipulationsbenchmark erreichte Isaac Lab 3.0 mit Newton einen bis zu 2,5-mal höheren Trainingsdurchsatz als Isaac Lab 2.3 mit PhysX. Partner wie Skild AI, Flexion, FieldAI, Dyna Robotics, Walden Robotics, Dexmate, die University of Texas at Austin und die University of Washington nutzen oder erweitern die Umgebung für Training, Evaluation, neue Solver und präzisionsgetriebene Robotik. Um Zuverlässigkeit messbar zu machen, veröffentlicht NVIDIA Isaac Lab-Arena 0.4 als Entwicklerpreview. Das Evaluationsframework erlaubt parallele Tests unter vielen Varianten und zeigt, unter welchen Bedingungen Steuerungsmodelle scheitern. DexBench und VABAR ergänzen dies als neue Benchmarks für Robotergeschick und industrielle Adaptivität. DexBench prüft 15 Aufgaben aus Einzelhandel, Logistik, Fertigung und Gastgewerbe auf Generalisierung über Objekte, Raum und Physik. VABAR von UC Berkeley bewertet sechs industrielle Aufgaben mit standardisierten Variationen, Schwierigkeitsstufen und Erfolgsmetriken. Den Übergang von einzelnen Fähigkeiten zu robusten Abläufen adressiert agentische Robotik. UC Berkeley zeigt Graph-as-Policy, bei dem KI-Agenten einzelne Roboterfertigkeiten zu überprüfbaren Programmen verbinden, sie in NVIDIAs Simulationen testen und nach Fehlern nachschärfen. ambi Robotics, Bosch Research und Siemens erproben diese Workflows für industrielle Automatisierung. Zwei Arbeiten von NVIDIA wurden unter die sechs Finalisten der Best-Paper-Awards der Conference on Robot Learning gewählt.