Pembelajaran multi-robot mendapatkan dorongan serius! 📚 Para peneliti telah memperluas Isaac Lab untuk melatih kebijakan robot multi-agen yang heterogen dalam skala besar. Kerangka kerja baru ini mendukung fisika resolusi tinggi, simulasi yang dipercepat GPU, dan agen homogen dan heterogen yang bekerja sama dalam tugas koordinasi. Mereka membandingkan pendekatan yang berbeda (MAPPO: Multi-Agent Proximal Policy Optimization dan HAPPO: Heterogeneous Agent PPO) di enam skenario yang menantang dan menunjukkan bahwa pelatihan multi-robot skala besar tidak hanya layak, tetapi juga efisien. Ini adalah langkah penting untuk kolaborasi robot dunia nyata, di mana tim robot perlu berkoordinasi, membagi tugas, menyesuaikan peran, dan berinteraksi secara dinamis, tidak hanya beroperasi sebagai klon identik. Kode ini bersifat open-source, dan mendorong Isaac Lab lebih dekat ke apa yang sebenarnya dibutuhkan robotika: lingkungan yang dapat diskalakan dan digerakkan oleh fisika di mana banyak robot yang berbeda dapat belajar bekerja sama. Berikut halaman proyeknya: ~~ ♻️ Bergabunglah dengan buletin robotika mingguan, dan jangan pernah melewatkan berita apa pun →