Мульти-роботизированное обучение получает серьезный импульс! 📚 Исследователи расширили Isaac Lab для обучения гетерогенным многоагентным роботизированным политикам в масштабах. Новая структура поддерживает высокоразрешающую физику, ускоренную GPU симуляцию и как однородные, так и гетерогенные агенты, работающие вместе над задачами координации. Они протестировали различные подходы (MAPPO: Многоагентная проксимальная оптимизация политики и HAPPO: PPO для гетерогенных агентов) в шести сложных сценариях и показали, что обучение много-роботов в больших масштабах не только возможно, но и эффективно. Это важный шаг для реального роботизированного сотрудничества, где команды роботов должны координировать действия, разделять задачи, адаптировать роли и динамически взаимодействовать, а не просто действовать как идентичные клоны. Код является открытым, и он приближает Isaac Lab к тому, что на самом деле нужно робототехнике: масштабируемые, физически обоснованные среды, где многие разные роботы могут учиться работать вместе. Вот страница проекта: ~~ ♻️ Присоединяйтесь к еженедельной рассылке новостей о робототехнике и не пропустите ни одной новости →