NVIDIA, CoRL에서 GR00T 2 등 로봇용 신기술 발표

GR00T 2는 로봇과 인간의 다양한 데이터로 학습한 모델로, NVIDIA가 공개한 인간 1인칭 시점 데이터 10만 시간을 포함한다. 데모 없이 평가 50개 태스크 중 40개를 한 번 이상 달성했다. 로봇 본체가 달라도 인간의 데모에서 기술을 옮길 수 있다. AI 에이전트는 API와 지원 도구를 활용해 기술을 순서대로 실행하고, 오류에서 복구할 수 있다. RoboCasa365, RoboLab, RoboDojo, MolmoSpaces 각 벤치마크에서 상위 3개 모델에 들었다. Foxconn은 서버 제조 공장의 자동화에, Nexuni는 세탁물 처리에, Siemens는 산업용 평가에 활용하고 있다. 시뮬레이션 기반으로는 오픈소스 로봇 학습 프레임워크 Isaac Lab 3.0이 등장했다. 에이전트를 이용한 학습 환경 구축, PhysX와 Newton 물리 솔버의 전환, GR00T 등을 대상으로 한 강화학습 기반 사후 학습 라이브러리를 갖췄다. Newton과의 통합으로 케이블과 천 같은 변형 물체와 다관절 로봇 핸드도 다룰 수 있다. 시각 기반 정교 조작 벤치마크에서는 Isaac Lab 2.3 및 PhysX 대비 최대 2.5배의 학습 처리량을 보였다. Skild AI는 Newton 위에서 동작하는 강체 물리 솔버 STEEL을 발표했다. AlphaNIST는 NIST Assembly Task Board의 20개 태스크를 단일 정책으로 학습해, 성공 여부 신호만으로 98%를 넘는 학습 성공률을 얻었다. 태스크별 개별 정책은 81%였으며, GPU 시간은 약 39분의 1이다. 방법은 University of Washington과 NVIDIA의 Success-Guided Sampling으로, 성공률이 약 절반인 태스크에 연습을 집중시킨다. 평가 측면에서는 Isaac Lab-Arena 버전 0.4가 개발자 프리뷰로 공개된다. RLWRLD와 NVIDIA의 DexBench는 소매, 물류, 제조, 접객의 4개 장면에 걸친 15개 태스크를 갖는다. UC Berkeley와 NVIDIA의 VABAR는 6개의 산업 태스크를 평가한다. UC Berkeley의 Graph-as-Policy(GaP)는 에이전트가 개별 기술을 연결하는 로봇 프로그램을 만들고, 시뮬레이션에서 실패를 바탕으로 개선한다. Ambi Robotics, Bosch Research, Siemens가 활용을 검토하고 있다.

NVIDIA Blog 발췌

추이를 그릴 만큼 연속 관측 데이터가 아직 부족합니다.