NVIDIA laat robots sneller wennen aan nieuwe omgevingen met COMPASS

Een robot die zelfstandig door een ruimte moet bewegen, heeft meer nodig dan wielen of poten. Hij moet zijn omgeving begrijpen, weten waar hij zich bevindt, een route kiezen, obstakels ontwijken en veilig zijn bestemming bereiken. Verandert de robot van vorm, of de omgeving van indeling, dan moeten ontwikkelaars vaak helemaal opnieuw beginnen: nieuwe data verzamelen, nieuwe simulaties bouwen en het systeem opnieuw trainen en testen. Dat kost veel tijd en is lastig te herhalen.

Chipfabrikant NVIDIA presenteert nu een oplossing voor dat probleem: COMPASS, wat staat voor Cross-Embodiment Mobility Policy via Residual RL and Skill Synthesis. Het systeem moet voorkomen dat voor elke robot en elke omgeving een compleet nieuw navigatiesysteem gebouwd moet worden.

Een AI die meedenkt tijdens het trainen

COMPASS begint niet bij nul, maar bouwt voort op een bestaand, vooraf getraind navigatiemodel van NVIDIA, genaamd X-Mobility. Met behulp van reinforcement learning traint het systeem vervolgens een gespecialiseerd model dat leert om deze basis aan te passen aan de fysieke eigenschappen van een specifieke robot en zijn omgeving. In plaats van alles opnieuw te trainen, corrigeert het systeem dus alleen wat nodig is.

Wat COMPASS bijzonder maakt, is de inzet van AI-agents die grote delen van het ontwikkelproces automatiseren. Een ontwikkelaar geeft aan welke robot, omgeving en navigatiedoel het betreft. Daarna controleert de AI-agent zelfstandig softwareonderdelen, bereidt simulatiebestanden voor, voert eerste tests uit, start de training en onderzoekt waarom pogingen mislukken. Mensen blijven wel op belangrijke momenten aan zet: zij beoordelen of een virtuele omgeving goed genoeg is, of eerste tests geslaagd zijn en of een getraind model klaar is voor gebruik.

Getest met een viervoetige robot

NVIDIA demonstreerde het systeem met de quadruped-robot Spot van Boston Dynamics, in een gesimuleerd magazijn. Voor complexere trainingen kan COMPASS gebruikmaken van SAGE-10K, een dataset van NVIDIA met tienduizend gesimuleerde binnenruimtes verdeeld over vijftig soorten kamers. Wil een ontwikkelaar een training die lijkt op een bestaande, echte locatie, dan kan de tool NuRec van NVIDIA Omniverse die ruimte nabouwen op basis van opnames.

Elke training begint met een korte controle om te checken of robot, camera's en besturing goed samenwerken, voordat de uitgebreide trainingsronde start. Het systeem bewaart tussentijdse versies, zodat ontwikkelaars zelf kunnen kiezen welk model het beste presteert op basis van slagingspercentage, valfrequentie en snelheid. Voor positiebepaling kan de robot daarnaast gebruikmaken van cuVSLAM, NVIDIA's systeem voor visuele plaatsbepaling.

Volgens de onderzoekers biedt deze aanpak een herhaalbare manier om navigatiesystemen aan te passen aan wisselende robots en omgevingen, zonder dat mensen de controle over veiligheidskritieke beslissingen verliezen.