NVIDIA 的 R²D²：通过先进的操控技术转变机器人装配
realtime news May 18, 2025 07:16
探索 NVIDIA 的 R²D² 在机器人装配方面的进步，利用 AI 和机器学习在富接触操控任务中提高适应性和精确度。
NVIDIA 研究部门通过其机器人研究与发展文摘 (R²D²) 公布了机器人装配领域的重要进展。根据NVIDIA，此计划主要关注应对固定自动化的限制的富接触操控工作流程，提高在动态环境中的稳健性、适应性和可扩展性。
理解富接触操控
富接触操控涉及机器人在任务中持续或反复与物体进行物理接触，这需要对力和运动进行精确控制。这些复杂任务在机器人、制造和汽车等行业中至关重要，因为这些领域中的插销、齿轮啮合和组合件装配等任务需要极高的精确度。
机器人装配的先进工作流程
NVIDIA的研究引入了多种工作流程，使机器人能够以更大的灵活性应对复杂的装配任务。这些包括：
- Factory：用于实时富接触交互的仿真工具包。
- IndustReal：允许机器人在模拟中学习装配任务并在实际场景中应用的算法。
- AutoMate：跨多种几何形状训练机器人装配策略的框架。
- MatchMaker：利用生成式 AI 生成装配资产对的流水线。
- SRSA：适用于将现有技能适应新的装配任务的框架。
- TacSL：用于模拟视觉触觉传感器数据的库。
- FORGE：利用力测量实现强化学习策略的零样本仿真到现实转移。
基础技术：Factory、IndustReal 和 AutoMate
Factory工具包提供了一个基于物理的仿真框架，实现实时交互建模，而IndustReal则高效地将装配技能从仿真转移到现实中。AutoMate进一步扩展了这些能力，通过整合强化学习和模仿学习来实现零样本仿真到现实的转移。
探索新的前沿
NVIDIA 继续通过先进的学习算法和自动化技术推动机器人装配的边界发展。MatchMaker 自动生成多元化装配任务的资产，SRSA 增强技能检索与适应，TacSL 加速视觉触觉传感器的模拟，使基于触觉的学习更为实际。
FORGE：提升操控精度
FORGE 引入了利用力作为输入的政策的零样本仿真到现实转移的方法，这对于需要高精度的任务至关重要。此创新支持在显著不确定性条件下的安全探索与执行，证明其在复杂装配任务中的有效性。
欲了解有关 NVIDIA 在机器人装配方面的更多突破性进展，请访问其官方博客。
Image source: Shutterstock