L'apprendimento multi-robot sta ricevendo un serio impulso! 📚 I ricercatori hanno esteso Isaac Lab per addestrare politiche robotiche multi-agente eterogenee su larga scala. Il nuovo framework supporta fisica ad alta risoluzione, simulazione accelerata da GPU e agenti sia omogenei che eterogenei che lavorano insieme su compiti di coordinamento. Hanno confrontato diversi approcci (MAPPO: Multi-Agent Proximal Policy Optimization e HAPPO: Heterogeneous Agent PPO) in sei scenari impegnativi e hanno dimostrato che l'addestramento multi-robot su larga scala non è solo fattibile, ma anche efficiente. È un passo importante per la collaborazione robotica nel mondo reale, dove squadre di robot devono coordinarsi, suddividere i compiti, adattare i ruoli e interagire dinamicamente, non solo operare come cloni identici. Il codice è open-source e avvicina Isaac Lab a ciò di cui la robotica ha realmente bisogno: ambienti scalabili e guidati dalla fisica in cui molti robot diversi possono imparare a lavorare insieme. Ecco la pagina del progetto: ~~ ♻️ Iscriviti alla newsletter settimanale di robotica e non perdere mai nessuna notizia →