Das Lernen mit mehreren Robotern erhält einen ernsthaften Schub! 📚 Forscher haben Isaac Lab erweitert, um heterogene Multi-Agenten-Roboterpolitiken im großen Maßstab zu trainieren. Das neue Framework unterstützt hochauflösende Physik, GPU-beschleunigte Simulationen und sowohl homogene als auch heterogene Agenten, die gemeinsam an Koordinationsaufgaben arbeiten. Sie haben verschiedene Ansätze (MAPPO: Multi-Agent Proximal Policy Optimization und HAPPO: Heterogeneous Agent PPO) in sechs herausfordernden Szenarien benchmarked und gezeigt, dass das Training von großen Multi-Roboter-Systemen nicht nur machbar, sondern auch effizient ist. Es ist ein wichtiger Schritt für die Zusammenarbeit von Robotern in der realen Welt, wo Teams von Robotern koordinieren, Aufgaben aufteilen, Rollen anpassen und dynamisch interagieren müssen, nicht nur als identische Klone agieren. Der Code ist Open Source und bringt Isaac Lab näher an das, was die Robotik tatsächlich braucht: skalierbare, physikbasierte Umgebungen, in denen viele verschiedene Roboter lernen können, zusammenzuarbeiten. Hier ist die Projektseite: ~~ ♻️ Abonniere den wöchentlichen Robotik-Newsletter und verpasse keine Neuigkeiten →