NVIDIA 推动机器人装配技术：实现接触丰富的高效操作与零样本迁移

NVIDIA在最新一期的机器人研究与开发摘要（R²D²）中，揭示了其在机器人装配和接触丰富操作领域的一系列创新成果。这些研究成果旨在解决固定自动化系统在鲁棒性、适应性和扩展性方面的问题，为工业生产和制造带来更灵活和智能化的解决方案。 1. 基础性突破：Factory和IndustReal 传统的机器人装配依赖于固定自动化，这限制了系统的灵活性。NVIDIA通过Factory框架实现了实时模拟接触丰富交互的突破。Factory是一个基于GPU的模拟框架，使用SDF碰撞检测、接触减少技术和Gauss-Seidel求解器。这一框架现已纳入NVIDIA Isaac Lab，并在图1中展示了其模拟环境。 在此基础上，NVIDIA推出IndustReal，成功实现了从模拟到实际应用的零样本转移，在600次试验中取得了83%至99%的成功率。IndustReal的关键创新包括模拟感知策略更新、SDF奖励机制以及课程学习等方法，并在Franka Panda和UR10e机器人上进行了测试，展示了其在实际工业场景中的应用潜力。 2. AutoMate：实现广泛任务的零样本转移 AutoMate进一步扩展了NVIDIA在机器人装配领域的努力。这是一个结合强化学习和模仿学习的模拟框架，能够解决多种复杂的装配任务，并实现大规模下的零样本模拟到现实转移。AutoMate提供了100种模拟兼容的装配资产、80个专项策略和1个通过知识蒸馏和微调训练的通用策略，所有任务的成功率均达到约80%。 在超过500万次模拟试验和500次实际试验中，AutoMate展示了其卓越的性能。它使用了装配-拆卸、强化学习结合模仿学习以及动态时间拉伸（DTW）等新颖的方法来训练专项策略，而通用策略则利用PointNet自动编码器处理几何表示，通过强化学习进行微调。 3. MatchMaker：自动化的装配资产生成 MatchMaker是在ICRA 2025会议上展示的一个创新性的生成管道，能够自动生成多样且兼容模拟的装配资产对，从而减轻手动整理资产的困难。MatchMaker通过三阶段的形状补全任务生成无穿透的、几何匹配的零部件，并支持无需输入或仅需少量输入的生成模式。这使得开发鲁棒的装配策略更加高效，已在模拟和实际环境中验证其有效性，如图3和图4所示。 4. SRSA：技能检索与适应 SRSA（Skill Retrieval and Adaptation for Robotic Assembly Tasks）是一项在ICLR 2025会议上重点介绍的研究成果。它通过从预训练的技能库中选择最合适的策略，再针对新任务进行微调，实现了数据高效的机器人学习。实验表明，SRSA相比从零开始学习的方法，新任务的成功率提高了19%，需要的样本量减少了2.4倍，实际测试中平均成功率达到90%。 5. TacSL：触觉传感器的加速模拟与学习 触觉感知在机器人中仍然相对不足，主要原因在于数据理解、真实触感模拟和训练难度较大。TacSL库解决了这些问题，通过GPU加速的触觉图像和接触力场模拟，达到了比现有最佳方法快200倍以上的速度。TacSL使机器人能够在模拟中学习需要精细触感的任务，如插入销子，成功实现了从模拟到现实的大规模转移，成功率在83%到91%之间。 6. FORGE：力导引探索在不确定条件下的鲁棒性 FORGE介绍了一种利用力测量作为输入的强化学习策略，实现了零样本模拟到现实的转移。这种方法特别适用于零件姿态不确定或需要高精度和高准确性的情况。FORGE支持安全探索和成功执行，即使在位置估计误差高达5毫米的情况下也能应对自如。FORGE的能力在多级行星齿轮系统的装配任务中得到了验证，这一任务包括插入、齿轮啮合和螺母螺栓安装等三个技能（见图7和图8）。 行业评价 NVIDIA的这些研究成果代表了机器人装配技术的重大进展，为工业自动化带来了新的希望。通过这些技术创新，机器人可以在更多复杂和动态的环境中执行任务，大大提升了自动化系统的灵活性和鲁棒性。同时，NVIDIA在GPU加速和数据驱动方法上的优势，使其在这一领域处于领先地位。 公司背景 NVIDIA是一家全球领先的计算平台和技术公司，以其在图形处理单元（GPU）和人工智能（AI）技术方面的创新而闻名。NVIDIA Robotics研究团队致力于开发先进的物理AI和机器人技术，推动智能制造和自动化技术的发展。