AI11 lis 2026, 03:00 UTC·1 min czytania

NVIDIA GR00T 2 i Isaac Lab 3.0 uczą roboty precyzyjnych zadań

NVIDIA zaprezentowała GR00T 2 i Isaac Lab 3.0 – narzędzia oparte na symulacji, które uczą roboty montażu, kontroli części i obsługi kabli.

A robotic arm with fingers handling a cable and small components in a simulated factory environment. — Zdjęcie: اليوم السابع

NVIDIA przedstawiła zestaw technologii do trenowania robotów w zadaniach wymagających precyzyjnej kontroli ramion i palców, takich jak montaż części, kontrola podzespołów czy obsługa kabli. Firma ogłosiła model GR00T 2 oraz platformę Isaac Lab 3.0. Umiejętności są najpierw ćwiczone w symulacji, a dopiero potem przenoszone na fizyczne maszyny.

Wyniki testów

Zgodnie z wpisem na blogu NVIDIA, opublikowanym przy okazji konferencji CoRL poświęconej uczeniu robotów, GR00T 2 wykonał co najmniej raz 40 z 50 zadań objętych oceną. Po jednym przykładzie na zadanie średnia skuteczność wyniosła 71%, a po pięciu przykładach wzrosła do 95%. Model trenowano na danych ludzkich i robotycznych, w tym na 100 tys. godzin nagrań rejestrowanych z perspektywy osoby wykonującej zadanie.

Symulacja fizyki

Technologia polega na budowaniu środowisk symulacyjnych, w których roboty uczą się obchodzić z przedmiotami, zmieniać chwyt i je przesuwać. Isaac Lab 3.0 wykorzystuje silniki fizyczne do odwzorowania wpływu sił i ruchu na materiały takie jak tkaniny czy kable, co pozwala sprawdzać umiejętności przed wdrożeniem na robotach. Według firmy integracja platformy z silnikiem Newton zwiększyła tempo wybranych treningów nawet 2,5-krotnie w porównaniu z wcześniejszą konfiguracją.

Zastosowania i ograniczenia

Foxconn i Siemens testują GR00T 2 w zadaniach przemysłowych, m.in. przy produkcji serwerów i obsłudze sprzętu. Inne technologie są oceniane w pracach pralniczych i magazynowych. Ogłoszone wskaźniki dotyczą jednak konkretnych zadań i testów – nie oznaczają, że roboty poradzą sobie z każdą pracą przemysłową bez udziału człowieka.

Celem tych rozwiązań jest skrócenie czasu treningu oraz poprawa zdolności systemów do radzenia sobie ze zmiennymi warunkami pracy i błędami pojawiającymi się w trakcie wykonywania zadań.