ロボティクス研究は、制御されたデモから現実世界で自立して動作する汎用システムへの転換期を迎えています。国際ロボット自動化学会（ICRA）で発表された NVIDIA Research の 8 件の論文は、シミュレーションと実世界の間を繋ぐ「Sim-to-Real」技術がこの移行を支える基盤となっていることを示しています。これらの研究は、複数のアームの協調制御から複雑な環境での把持まで、開発者が直面する技術的課題のすべてをカバーしています。 特に注目すべきは、製薬实验室のような環境で複数のアームを並列処理する「ScheduleStream」です。GPU 上で計算を行うことで、従来の逐次処理に比べて計画速度を 3 倍向上させ、実機の NVIDIA Jetson 上で動作します。また、異なる形状のロボットに移植可能な移動計画手法として、学習と強化学習を組み合わせた「COMPASS」が提案されました。これにより、実データの不要なシミュレーションだけで成功率が 4.5 倍向上し、実世界での自律移動成功率は 80% を達成しています。 把持技術においても進歩が見られます。「Grasp-MPC」は、物体に接近する直前のわずかな距離で動作を連続修正する仕組みを採用し、複雑な環境下での物体把持成功率を 41% から 75% に引き上げました。さらに、木々の枝やケーブルの束のような柔軟な物体の複数把持を可能にする「Deformable Cluster Manipulation」も開発され、電力線からの木取りなど実務での応用が期待されます。 精密な組み立て業務では、「SPARR」がシミュレーションと実機の乖離を補正する 2 層構造で、成功率を 38% 向上させました。また、複数のステップが連関する組み立てタスクを処理する「Refinery」は、手順の順序を最適化し、実世界でも高い精度で動作します。視覚と言語を統合した「PEEK」は、不要な背景情報を消去して対象に集中させることで、シミュレーションベースのポリシーの実世界精度を最大 41 倍改善しました。さらに、実行中の指示と動作の一貫性を保つ「SEAL」は、学習なしで 15% の精度向上を実現しています。 NVIDIA は、1500 万件以上のダウンロードを誇る「NVIDIA Physical AI Dataset」や「Isaac GR00T」などの大規模オープンデータセットも提供しており、カーネギーメロン大学や MIT などの世界中の大学がこれらの技術を活用して研究を加速させています。これらの技術により、ロボットはより信頼性の高い自律的な動作を実現しつつあります。