机器人学习

典型的端到端机器人工作流包括数据处理、模型训练、在仿真环境中进行验证以及部署真实机器人上。

数据处理：为了弥补数据缺口，您可以考虑将整个互联网上的数据、合成数据和实时机器人数据相结合，获得多样化的高质量数据源。

在仿真环境中进行训练和验证：机器人需要针对任务定义的场景进行训练和部署，并且需要真实世界状况的精确虚拟表示。NVIDIA Isaac™ Lab 开源框架可通过在模块化方法中使用强化学习和模拟学习技术，帮助训练机器人策略。

Isaac Lab 和 NVIDIA Isaac Sim™ (一款基于 NVIDIA Omniverse™ 平台构建的参考机器人仿真应用) 原生集成，使用 GPU 加速的 NVIDIA PhysX® 物理特性和 RTX™ 渲染进行高保真验证。借助此框架，您可以在轻量级仿真环境中快速对策略进行原型设计，然后再将其部署到生产系统。

部署到真实机器人：训练后的机器人策略和 AI 模型可以部署到 NVIDIA Jetson™ 上。

使用 Isaac Lab 执行高保真物理模拟、执行奖励计算，并在模块化、可定制的环境中启用感知驱动的强化学习 (RL) 。

首先，在各种环境中配置种类繁多的机器人，定义 RL 任务，并使用 GPU 优化库 (例如 RSL RL、RL-Games、SKRL 和 Stable Baselines3) 训练模型，这些都得到了 Isaac Lab 的原生支持。

Isaac Lab 提供灵活的任务工作流程 (直接或基于管理器)，因此您可以控制训练任务的复杂性和自动化程度。

您还可以使用基于 NVIDIA Warp 构建的开源 GPU 加速物理引擎 Newton，实现高速、物理精准、且可微分的模拟。

此外，云原生编排平台 NVIDIA OSMO 支持跨多 GPU 和多节点系统高效扩展和管理复杂的多阶段、多容器机器人工作负载。这可以显著加速机器人学习策略的开发和评估速度。