在今年的機器人科學與系統會議 (RSS) 上，NVIDIA 研究中心展示了一系列推動機器人學習的研究成果，展示了在仿真、現實世界遷移和決策制定領域的突破。

NVIDIA 研究中心正在推進將機器人仿真、優化技術與 AI 相結合的相關技術研究，旨在讓機器人的行為更具通用性和適應性。

今年的機器人科學與系統會議 (RSS) 于 6 月 21 日至 25 日在洛杉磯舉辦，來自全球的機器人領域研究人員齊聚一堂，共同探討自主系統、感知能力以及物理智能方面的突破性進展。

來自 NVIDIA 的研究人員展示了多項前沿研究成果，包括仿真到現實遷移、敏捷人形機器人控制、GPU 加速規劃以及面向開放世界推理的基礎模型等。

NVIDIA 首席研究科學家 Fabio Ramos 表示：“RSS 對機器人領域的基礎研究與現實創新具有重要意義。今年，NVIDIA 展示了多項研究成果，從通過真實數據讓人形機器人習得操作技能與敏捷全身運動，到提升其推理與感知能力，這些成果正推動機器人向在復雜環境中實現更加實時、靈活且智能的自主運行這一目標邁進?！?/p>

以下是 NVIDIA 研究中心 在 RSS 上的部分精選論文，展示了機器人學習與控制領域的突破性進展：

ASAP：由卡內基梅隆大學與 NVIDIA 聯合開發的方案，讓人形機器人通過從真實世界數據中學習對仿真物理的修正，從而在現實世界中完成靈活的全身動作。

仿真與現實協同訓練：這種簡單的協同訓練方法利用仿真與現實數據，無需域隨機化或微調即可提升操作性能。

可微分 GPU 并行化任務與運動規劃：麻省理工學院與 NVIDIA 研究人員開發的這一方法，通過專為 GPU 并行執行優化的全可微分任務與運動規劃流程，使實時高維機器人規劃更接近現實。

基于視覺語言模型約束推理的開放世界任務與運動規劃：該算法從自然語言和場景上下文中推斷任務約束，使機器人能夠在復雜、非結構化環境中進行規劃。

Fail2Progress：該方法通過使用 Stein 變分推理（一種可用于處理復雜數據和模型的計算統計方法）進行概率優化，將機器人故障轉化為有用的學習信號。

RSS上NVIDIA技術專家參與的機器人研討會包括：

基礎模型時代的機器人規劃：探討如何將基礎模型與符號規劃及神經符號規劃結合，推進機器人任務與運動規劃。

生成式建模與人機交互：研究生成模型如何通過改進意圖預測、交互通信與協同適應來增強人機交互。

并行化時代的快速運動規劃與控制：討論現代并行計算架構如何變革實時運動規劃與控制系統。

統一化視覺 SLAM：從碎片化數據集到可擴展的現實解決方案：旨在提升同步定位與建圖 (SLAM) 能力，以處理大規模數據并為機器人與計算機視覺構建更具擴展性的現實解決方案。

了解 NVIDIA 研究中心的更多研究成果，閱讀“NVIDIA 機器人研究與開發摘要（R2D2）”，深入地了解 NVIDIA 研究中心在物理 AI 和機器人應用方面的最新突破。

三十載光陰荏苒，感謝您一路相伴。愿我們初心不渝，共繪 AI 新篇章！