在今年的机器人科学与系统会议 (RSS) 上，NVIDIA 研究中心展示了一系列推动机器人学习的研究成果，展示了在仿真、现实世界迁移和决策制定领域的突破。
NVIDIA 研究中心正在推进将机器人仿真、优化技术与 AI 相结合的相关技术研究，旨在让机器人的行为更具通用性和适应性。
今年的机器人科学与系统会议 (RSS) 于 6 月 21 日至 25 日在洛杉矶举办，来自全球的机器人领域研究人员齐聚一堂，共同探讨自主系统、感知能力以及物理智能方面的突破性进展。
来自 NVIDIA 的研究人员展示了多项前沿研究成果，包括仿真到现实迁移、敏捷人形机器人控制、GPU 加速规划以及面向开放世界推理的基础模型等。
NVIDIA 首席研究科学家 Fabio Ramos 表示：“RSS 对机器人领域的基础研究与现实创新具有重要意义。今年，NVIDIA 展示了多项研究成果，从通过真实数据让人形机器人习得操作技能与敏捷全身运动，到提升其推理与感知能力，这些成果正推动机器人向在复杂环境中实现更加实时、灵活且智能的自主运行这一目标迈进。”
以下是 NVIDIA 研究中心 在 RSS 上的部分精选论文，展示了机器人学习与控制领域的突破性进展：
ASAP：由卡内基梅隆大学与 NVIDIA 联合开发的方案，让人形机器人通过从真实世界数据中学习对仿真物理的修正，从而在现实世界中完成灵活的全身动作。https://arxiv.org/abs/2502.01143仿真与现实协同训练：这种简单的协同训练方法利用仿真与现实数据，无需域随机化或微调即可提升操作性能。https://arxiv.org/abs/2503.24361可微分 GPU 并行化任务与运动规划：麻省理工学院与 NVIDIA 研究人员开发的这一方法，通过专为 GPU 并行执行优化的全可微分任务与运动规划流程，使实时高维机器人规划更接近现实。https://arxiv.org/abs/2411.11833基于视觉语言模型约束推理的开放世界任务与运动规划：该算法从自然语言和场景上下文中推断任务约束，使机器人能够在复杂、非结构化环境中进行规划。https://arxiv.org/abs/2411.08253Fail2Progress：该方法通过使用 Stein 变分推理（一种可用于处理复杂数据和模型的计算统计方法）进行概率优化，将机器人故障转化为有用的学习信号。https://sites.google.com/view/fail2progress
RSS上NVIDIA技术专家参与的机器人研讨会包括：
基础模型时代的机器人规划：探讨如何将基础模型与符号规划及神经符号规划结合，推进机器人任务与运动规划。https://sites.google.com/brown.edu/fm4roboplan生成式建模与人机交互：研究生成模型如何通过改进意图预测、交互通信与协同适应来增强人机交互。https://sites.google.com/view/gai-hri/home并行化时代的快速运动规划与控制：讨论现代并行计算架构如何变革实时运动规划与控制系统。https://sites.google.com/rice.edu/parallelized-planning-control/统一化视觉 SLAM：从碎片化数据集到可扩展的现实解决方案：旨在提升同步定位与建图 (SLAM) 能力，以处理大规模数据并为机器人与计算机视觉构建更具扩展性的现实解决方案。https://sites.google.com/rice.edu/parallelized-planning-control/
了解 NVIDIA 研究中心的更多研究成果，阅读“NVIDIA 机器人研究与开发摘要（R²D²）”，深入地了解 NVIDIA 研究中心在物理 AI 和机器人应用方面的最新突破。
https://m.nvidia.cn/research/
文首图片由宇树科技 (Unitree) 提供。
