¡El aprendizaje multi-robot está recibiendo un impulso serio! 📚 Los investigadores han ampliado Isaac Lab para entrenar políticas robóticas multi-agente heterogéneas a gran escala. El nuevo marco admite física de alta resolución, simulación acelerada por GPU y tanto agentes homogéneos como heterogéneos trabajando juntos en tareas de coordinación. Evaluaron diferentes enfoques (MAPPO: Optimización de Política Proximal Multi-Agente y HAPPO: PPO de Agentes Heterogéneos) en seis escenarios desafiantes y demostraron que el entrenamiento multi-robot a gran escala no solo es factible, sino eficiente. Es un paso importante para la colaboración robótica en el mundo real, donde equipos de robots necesitan coordinarse, dividir tareas, adaptar roles e interactuar dinámicamente, no solo operar como clones idénticos. El código es de código abierto, y acerca a Isaac Lab a lo que la robótica realmente necesita: entornos escalables impulsados por la física donde muchos robots diferentes pueden aprender a trabajar juntos. Aquí está la página del proyecto: ~~ ♻️ Únete al boletín semanal de robótica y no te pierdas ninguna noticia →