Învățarea multi-roboților primește un impuls serios! 📚 Cercetătorii au extins Isaac Lab pentru a antrena politici robotice eterogene multi-agent la scară largă. Noul cadru susține fizica de înaltă rezoluție, simularea accelerată de GPU și agenții omogeni și eterogeni care lucrează împreună la sarcini de coordonare. Au analizat diferite abordări (MAPPO: Multi-Agent Proximal Policy Optimization și HAPPO: Heterogeneous Agent PPO) în șase scenarii provocatoare și au arătat că antrenamentul la scară largă cu mai mulți roboți nu este doar fezabil, ci și eficient. Este un pas important pentru colaborarea robotică în lumea reală, unde echipele de roboți trebuie să coordoneze, să împartă sarcinile, să adapteze roluri și să interacționeze dinamic, nu doar să opereze ca clone identice. Codul este open-source și împinge Isaac Lab mai aproape de ceea ce robotica are cu adevărat nevoie: medii scalabile, bazate pe fizică, unde mulți roboți pot învăța să lucreze împreună. Iată pagina proiectului: ~~ ♻️ Abonează-te la newsletter-ul săptămânal despre robotică și nu ratează nicio noutate →