L'apprentissage multi-robot reçoit un coup de pouce sérieux ! 📚 Les chercheurs ont étendu Isaac Lab pour entraîner des politiques robotiques multi-agents hétérogènes à grande échelle. Le nouveau cadre prend en charge la physique haute résolution, la simulation accélérée par GPU, et des agents homogènes et hétérogènes travaillant ensemble sur des tâches de coordination. Ils ont évalué différentes approches (MAPPO : Optimisation de Politique Proximale Multi-Agent et HAPPO : PPO pour Agents Hétérogènes) à travers six scénarios difficiles et ont montré que l'entraînement multi-robot à grande échelle n'est pas seulement faisable, mais efficace. C'est une étape importante pour la collaboration robotique dans le monde réel, où des équipes de robots doivent coordonner, diviser les tâches, adapter les rôles et interagir de manière dynamique, et non pas simplement fonctionner comme des clones identiques. Le code est open-source, et cela rapproche Isaac Lab de ce dont la robotique a réellement besoin : des environnements évolutifs, guidés par la physique, où de nombreux robots différents peuvent apprendre à travailler ensemble. Voici la page du projet : ~~ ♻️ Rejoignez la newsletter hebdomadaire sur la robotique, et ne manquez jamais aucune nouvelle →