外观
新闻NVIDIA Technical Blog5 天前
NVIDIA演示AI智能体驱动Microduck仿真行走与Sim-to-Real全流程
本文由 AI 根据公开内容整理，可能有误，请以原文为准：Using AI Agents to Teach Robots Like Microduck to Walk in Simulation（NVIDIA Technical Blog：Agentic AI / Generative AI（via AIHOT））
核心内容
NVIDIA技术博客详解了利用AI智能体辅助机器人仿真训练的完整链路。该方案以RTX Spark为本地开发枢纽，通过Hermes和Nemotron 3.5 Bolt将自然语言提示词转化为结构化的Microduck障碍穿越项目计划。Astra智能体进一步接管资产生成任务，自动完成从概念图增强、FreeCAD几何建模到Blender材质应用的全流程，最终导出USD格式资产供Isaac Sim环境组装，显著降低了仿真场景构建的人工门槛。
在策略训练阶段，系统依托NVIDIA Isaac Lab框架与RTX PRO 6000 Blackwell GPU，在4096个并行环境中利用头部深度相机与本体状态观测数据训练感知运动策略。物理仿真由Newton引擎负责精确建模Microduck的运动与平衡特性。训练后的策略回归RTX Spark进行本地验证，通过Better Actuator Models与域随机化技术评估避障与姿态调整能力，为后续Sim-to-Real部署提供标准化的验证基准与开源教程支持。
关键看点
- 智能体规划：Hermes与Nemotron 3.5 Bolt在RTX Spark上将文本提示词转化为包含资源、输出及执行阶段的标准化项目计划
- 自动化资产管线：Astra智能体集成云图像编辑、FreeCAD建模与Blender材质处理，自动生成可编辑模型及USD仿真资产
- 大规模并行训练：Isaac Lab在RTX PRO 6000 Blackwell GPU上运行4096并行环境，融合深度视觉与本体状态训练运动策略
- Sim-to-Real验证：采用Newton物理引擎结合Better Actuator Models与域随机化技术，在本地Isaac Sim中校验策略迁移可行性
工程与产业观察
该工作流确立了“LLM规划+生成式资产+大规模RL训练”的具身智能研发新范式。通过将非结构化需求自动转化为标准化仿真工程，大幅缩短了从概念到策略验证的周期。特别是集成Better Actuator Models与域随机化的本地验证环节，为解决Sim-to-Real鸿沟提供了可复用的工程基准，对降低人形及四足机器人算法迭代成本具有重要参考价值。
线索来源：AIHOT
来源
本页事实对应的公开页面，以原文为准。