Навчання за допомогою кількох роботів отримує серйозний поштовх! 📚 Дослідники розширили лабораторію Айзека для масштабного навчання гетерогенних багатоагентних роботизованих політик. Новий фреймворк підтримує високороздільну фізику, GPU-прискорене моделювання, а також спільну роботу однорідних і гетерогенних агентів над координаційними завданнями. Вони порівняли різні підходи (MAPPO: Multi-Agent Proximal Policy Optimization та HAPPO: Heterogeneous Agent PPO) у шести складних сценаріях і показали, що масштабне навчання мультироботів не лише здійсненне, а й ефективне. Це важливий крок для реальної роботизованої співпраці, де команди роботів мають координувати, розподіляти завдання, адаптувати ролі та взаємодіяти динамічно, а не просто діяти як ідентичні клони. Код є відкритим кодом, і це наближає Isaac Lab до того, що насправді потребує робототехніці: масштабованих, фізико-орієнтованих середовищ, де багато різних роботів можуть навчитися працювати разом. Ось сторінка проєкту: ~~ ♻️ Приєднуйтесь до щотижневої розсилки з робототехніки і ніколи не пропускайте жодної новини→