面向内部物流的物理AI：在工业移动机器人上对NVIDIA Sim-to-Real生态进行基准测试，用于Cosmos增强的COMPASS导航
研究团队在Idealworks的iw.hub差速驱动机器人与全向人形移动平台（HMP）上，测试NVIDIA X-Mobility与COMPASS学习型导航工作流的sim-to-real可靠性，并构建Idealworks研发中心数字孪生。在数字孪生中微调X-Mobility并加入NVIDIA Cosmos生成的sim-to-real增强数据后，策略部署于iw.hub板载Jetson AGX Xavier，在真实研发中心四个场景的成功率由65.3%升至91.7%，加权行驶时间较仅仿真训练近乎减半，与现有生产导航栈差距8.3个百分点，且全程板载运行；配合全局规划器可在每次试验中到达远处被遮挡目标。
发布于 10-27 13:14来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Physical AI for Intralogistics: Benchmarking the NVIDIA Sim-to-Real Ecosystem for Cosmos-Enhanced COMPASS Navigation on Industrial Mobile Robots》查看原链
经典机器人导航栈可靠，但往往需要针对每种新机器人类型和场地重新设计。 基于学习的导航将这部分工作从手工调参转移到数据生成与训练，策略通过在仿真中微调来适应新的本体或设施。 这类方式适配的策略在真实工业机器人上是否仍然可靠，目前鲜有系统性测试。
我们针对NVIDIA的X-Mobility与COMPASS工作流开展研究，在Idealworks机器人上训练学习型导航策略。 在仿真中，我们将COMPASS基准扩展到两种本体——差速驱动的iw.hub和全向人形移动平台（HMP），并加入Idealworks研发中心的数字孪生。
在真实世界中，我们用该数字孪生数据微调X-Mobility，分别在有、无NVIDIA Cosmos生成的sim-to-real变体两种条件下进行，在数字孪生中从零训练COMPASS，将所得策略部署到iw.hub板载的Jetson AGX Xavier上，并在Idealworks研发中心对它们进行基准测试，对比仅用NVIDIA环境训练的COMPASS以及Idealworks现有导航栈，评估指标包括任务成功率、效率、安全性、平滑度和板载算力。
每个静态场景都在数字孪生副本和真实设施中运行，以测量sim-to-real差距以及Cosmos增强数据能缩小多少差距。 在数字孪生中训练并加入Cosmos sim-to-real增强后，学习型导航在四个场景中的真实世界成功率从65.3%提升到91.7%，加权行驶时间相比仅仿真训练几乎减半，与生产导航栈的差距缩小到8.3个百分点，且完全在板载运行；配合集成的全局规划器，它还能在每次试验中到达远处被遮挡的目标。