Multirobotické učení zažívá výrazný pokrok! 📚 Výzkumníci rozšířili laboratoř Isaac o školení heterogenních multiagentních robotických politik ve velkém měřítku. Nový rámec podporuje vysokorozlišovací fyziku, simulace akcelerované GPU a jak homogenní, tak heterogenní agenty spolupracující na koordinačních úkolech. Porovnali různé přístupy (MAPPO: Multi-Agent Proximální optimalizace politiky a HAPPO: Heterogenní agentní PPO) napříč šesti náročnými scénáři a ukázali, že rozsáhlý výcvik s více roboty je nejen proveditelný, ale i efektivní. Je to důležitý krok pro skutečnou robotickou spolupráci, kde týmy robotů musí koordinovat, rozdělovat úkoly, přizpůsobovat role a dynamicky spolupracovat, ne jen fungovat jako identické klony. Kód je open-source a posouvá Isaac Lab blíže k tomu, co robotika skutečně potřebuje: škálovatelná, fyzikálně řízená prostředí, kde se může mnoho různých robotů naučit spolupracovat. Tady je stránka projektu: ~~ ♻️ Přihlaste se k týdennímu robotickému newsletteru a nikdy nezmeškejte žádné novinky →