¡El aprendizaje multi-robot está recibiendo un gran impulso! 📚 Los investigadores han ampliado el Isaac Lab para entrenar políticas heterogéneas de robótica multiagente a gran escala. El nuevo marco soporta física de alta resolución, simulación acelerada por GPU y agentes tanto homogéneos como heterogéneos que trabajan juntos en tareas de coordinación. Evaluaron diferentes enfoques (MAPPO: Multi-Agent Proximal Policy Optimization y HAPPO: Heterogeneous Agent PPO) 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 los equipos de robots deben 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 realmente necesita la robótica: entornos escalables y basados en la física donde muchos robots diferentes puedan aprender a trabajar juntos. Aquí está la página del proyecto: ~~ ♻️ Suscríbete al boletín semanal de robótica y no te pierdas ninguna noticia →