pxRobotLearning
pxRobotLearning ist eine End-to-End-Plattform für die Entwicklung, das Training, die Validierung und den produktiven Einsatz von Physical-AI-Systemen. Sie vereint simulationsbasierte Entwicklung, Datenerfassung, Imitation Learning, Reinforcement Learning und optimierte Inferenz in einer einzigen, kohärenten Pipeline, die von der Forschung bis zum realen Einsatz skalierbar ist.
- Simulationszentrierte Lernpipeline
- Flexible Lernalgorithmen
- Sim-to-Real-Adaptation & Feintuning
- Produktionsreife Bereitstellung & multimodales Lernen
Was wir liefern
Isaac-Sim-basierte Simulationspipeline
- Grundlage für hochpräzise Simulationen
Die Lernpipeline basiert auf Isaac Sim und bietet physikalisch realistische Umgebungen für die Roboterinteraktion und Datengenerierung - Skalierbare Trainingsumgebungen
Unterstützt groß angelegte parallele Simulationen für effizientes Training und die Evaluierung von Policies - Flexible Szenen- und Sensorkonfiguration
Ermöglicht die schnelle Einrichtung von Robotermodellen, Sensoren und Aufgabenszenarien
Algorithmen des Reinforcement Learning und des Imitation Learning
- Mehrere RL-Algorithmusoptionen
Bietet eine Auswahl modernster Reinforcement-Learning-Algorithmen, die für verschiedene Roboteraufgaben geeignet sind - Imitation Learning anhand von Demonstrationen
Unterstützt das Lernen aus Expertendaten, die über Teleoperation oder vorgegebene Policies erfasst wurden - Einheitliches Training-Framework
Ermöglicht die nahtlose Kombination oder den Wechsel zwischen RL- und IL-Methoden innerhalb derselben Pipeline
Multi-Physics Sim-to-Sim-Transfer
- Engine-übergreifende Validierung
Unterstützt den Sim-to-Sim-Transfer zwischen PhysX, Newton und MuJoCo zur Verbesserung der Generalisierung. - Physikbasierte Robustheitsprüfung
Setzt Policies variierenden Dynamiken, Kontakten und Randbedingungen aus - Reduzierte Simulatorverzerrung
Verhindert die Überanpassung an eine einzelne Physik-Engine
Sim-to-Real-Feinabstimmung
- Progressive Domänenanpassung
Feinabstimmung von in Simulationen trainierten Strategien mithilfe realer Daten - Schließen der Reality Gap
Behebt Diskrepanzen in Dynamik, Sensorik und Aktorik - Sicherer und effizienter Einsatz
Ermöglicht den schrittweisen Übergang von der Simulation zu physischen Robotern
Hochleistungsbereitstellung mit ONNX & TensorRT
- Standardisierter Modellexport
Konvertiert trainierte Modelle in ONNX für die frameworkunabhängige Bereitstellung - TensorRT-optimierte Inferenz
Ermöglicht latenzarme und hocheffiziente Ausführung auf Edge- und eingebetteten GPUs. - Produktionsreifer Laufzeit-Stack
Konzipiert für einen stabilen und skalierbaren Robotereinsatz
Vision-Language-Modelle und Vision-Language-Action-Lernen
- Multimodale Perzeption und Schlussfolgerung
Verbindet visuelle und sprachliche Verarbeitung zur Bewältigung komplexer Aufgaben - Vision-Language-Action(VLA)-Policies
Ermöglicht es Robotern, übergeordnete Anweisungen auf untergeordnete Aktionen abzubilden. - Feinabstimmung für Roboterdomänen
Passt vortrainierte multimodale Modelle an reale Roboterumgebungen und -aufgaben an.
Die Robot Learning Platform bietet einen durchgängigen Workflow, der Simulation, Lernen, Anpassung und Einsatz in einem einheitlichen System verbindet. Durch die Kombination von hochpräziser Simulation, flexiblen Lernalgorithmen, robustem Transfer von der Simulation in die Praxis und produktionsreifem Einsatz mit fortschrittlichen multimodalen Lernfunktionen ermöglicht die Plattform die skalierbare und zuverlässige Entwicklung intelligenter Roboterverhaltensweisen für ein breites Spektrum realer Anwendungen.