Обучение робота Microduck в Isaac Lab и перенос модели на реальное железо

Современные робототехнические проекты активно используют симуляции для ускорения разработки. В центре внимания находится процесс, позволяющий обучение модели в Isaac Lab с последующим переносом на физическое устройство.

Открытая двуногая платформа Microduck, разработанная компаниями Pollen Robotics и Hugging Face, дает возможность отрабатывать алгоритмы ходьбы в виртуальной среде. С помощью NVIDIA Isaac Lab и движка Newton исследователи и разработчики могут тестировать политики управления, экспортировать их в формат ONNX и запускать на реальном роботе.

Установка Isaac Lab и подготовка к тренировке

Для запуска симуляций и обучения требуется рабочая станция под управлением Linux с поддержкой графического процессора NVIDIA и актуальными драйверами. Также необходимы установленные инструменты Git и менеджер пакетов uv. Для последующего развертывания на физическом оборудовании потребуется настроенный робот Microduck с рабочим ПО на борту и совместимый контроллер, например геймпад.

Быстрая инсталляция

На поддерживаемой Linux-системе установка начинается с загрузки и настройки инструмента uv, клонирования репозитория Isaac Lab и инсталляции всех зависимостей через командную строку. После завершения установки проверяется доступность задач и пресетов для робота с помощью специальной команды проверки среды.

Готовая среда для симуляции робота

Фреймворк по умолчанию содержит цифровую модель робота, сцену, параметры наблюдений, действий, систему вознаграждений и инструменты рандомизации домена. Процесс начинается с плоской поверхности, а вариант для пересеченной местности добавляет склоны, ступени и неровности рельефа.

Политика управления обрабатывает 61 параметр наблюдения и выдает 14 значений для суставов. Важно соблюдать единый порядок наблюдений, нормализацию и масштабирование действий при экспорте и развертывании модели.

Ускорение обучения ходьбе через параллельные симуляции

Инструмент позволяет запускать тысячи виртуальных сред параллельно на GPU, а также масштабировать процесс на множество видеокарт для повышения стабильности. В работе используются движок Newton с решателем MJWarp и модели сервоприводов BAM для точной имитации задержек, электрических лимитов и механического люфта.

Рандомизация домена охватывает массу робота, трение поверхности, инерцию суставов, смещения энкодеров и колебания напряжения батареи. Для запуска тренировки на пересеченной местности или на ровном полу используются соответствующие консольные команды с подключением пресетов люфта.

Оценка результатов и экспорт в ONNX

Перед переносом на физическое устройство обученная политика проверяется в визуализаторе. Процесс воспроизведения автоматически генерирует файлы TorchScript и ONNX. Последний используется бортовой системой робота, при этом сохраняется полная совместимость параметров входа и выхода.

Публикация моделей и тестирование в виртуальной арене

Готовый файл ONNX открывает несколько путей для дальнейшего применения. Его можно протестировать в специализированном пространстве для соревнований, перенести на реальное аппаратное обеспечение или опубликовать в открытом репозитории для обмена результатами с сообществом.

Развертывание политики движения на физическом устройстве

Перенос файла политики на робота выполняется по протоколу безопасного копирования. После подключения к бортовой системе через SSH проверяется список активных политик, после чего можно загрузить новый файл управления, зафиксировав робота на специальной подставке.

Интерфейс управления позволяет тестировать стояние, медленную ходьбу, повороты и остановку с возможностью мониторинга состояния и сброса к настройкам по умолчанию.

Расширение задач симуляции и добавление восприятия

Новые версии фреймворка поддерживают не только базовую ходьбу, но и манипуляторы, а также задачи компьютерного зрения. Разработчики могут адаптировать задачи под сложные типы поверхностей, подключать данные с камер глубины для навигации или собирать собственные сцены с использованием готовых ассистивных библиотек.