Uczenie wielo-robotowe zyskuje poważny impuls! 📚 Naukowcy rozszerzyli Isaac Lab, aby trenować heterogeniczne polityki robotów wielo-agentowych na dużą skalę. Nowa struktura wspiera symulacje fizyki w wysokiej rozdzielczości, symulacje przyspieszone przez GPU oraz współpracę zarówno jednorodnych, jak i heterogenicznych agentów w zadaniach koordynacyjnych. Porównali różne podejścia (MAPPO: Multi-Agent Proximal Policy Optimization i HAPPO: Heterogeneous Agent PPO) w sześciu wymagających scenariuszach i pokazali, że szkolenie wielo-robotowe na dużą skalę jest nie tylko wykonalne, ale i efektywne. To ważny krok w kierunku rzeczywistej współpracy robotów, gdzie zespoły robotów muszą koordynować się, dzielić zadania, dostosowywać role i dynamicznie interagować, a nie tylko działać jako identyczne klony. Kod jest open-source, a to przybliża Isaac Lab do tego, czego naprawdę potrzebuje robotyka: skalowalnych, opartych na fizyce środowisk, w których wiele różnych robotów może uczyć się współpracy. Oto strona projektu: ~~ ♻️ Dołącz do cotygodniowego newslettera o robotyce i nie przegap żadnych wiadomości →