O aprendizado multi-robô está ganhando um impulso sério! 📚 Pesquisadores ampliaram o Isaac Lab para treinar políticas robóticas heterogêneas multiagente em larga escala. A nova estrutura suporta física de alta resolução, simulação acelerada por GPU e agentes homogêneos e heterogêneos trabalhando juntos em tarefas de coordenação. Eles compararam diferentes abordagens (MAPPO: Multi-Agent Proximal Policy Optimization e HAPPO: Heterogeneous Agent PPO) em seis cenários desafiadores e mostraram que o treinamento multi-robô em grande escala não é apenas viável, mas eficiente. É um passo importante para a colaboração robótica no mundo real, onde equipes de robôs precisam coordenar, dividir tarefas, adaptar papéis e interagir dinamicamente, não apenas operar como clones idênticos. O código é de código aberto e aproxima o Isaac Lab do que a robótica realmente precisa: ambientes escaláveis e orientados pela física, onde muitos robôs diferentes podem aprender a trabalhar juntos. Aqui está a página do projeto: ~~ ♻️ Inscreva-se na newsletter semanal de robótica e nunca perca nenhuma notícia →