熟能生巧：在CoRL大会上，NVIDIA及其合作伙伴揭示机器人如何在仿真中演练精细操作
内容提要
在CoRL大会上，NVIDIA发布GR00T 2世界动作模型、Isaac Lab 3.0仿真框架及新开放基准，推动机器人精细操作训练。GR00T 2支持跨机器人技能迁移，单次演示平均成功率达71%；Isaac Lab 3.0集成Newton物理引擎，支持柔性物体仿真，训练吞吐量提升至2.5倍。AlphaNIST以单一策略完成20项精密装配任务，成功率超98%。新基准DexBench和VABAR用于评估工业场景下的灵巧性与适应性。
延伸解读
从运动到操作：仿真训练的重心转移
文章指出，仿真长期用于训练机器人行走、滚动和跳跃，如今正转向需要更精细触觉的任务，如对齐齿轮、连接线缆和组装小零件。这一转变在CoRL大会上成为焦点，同时伴随“代理式机器人”范式的兴起——将前沿代理集成到物理机器人系统中，生成可解释的代码。这意味着仿真不再只是运动控制的试验场，而是精细操作技能训练的核心基础设施。
GR00T 2的数据效率与技能迁移
GR00T 2基于NVIDIA Cosmos构建，训练数据包括10万小时的开源人类自我中心数据。其关键能力在于：无需任务特定演示即可完成50项评估任务中的40项；能从人类演示中学习并在不同机器人身体间迁移技能；仅需每任务一次演示即可达到71%平均成功率，五次演示则提升至95%。这些数据表明，该模型在少样本泛化和跨本体迁移上具有实际可用性，但成功率仍随演示次数显著变化，说明数据质量与数量仍是关键变量。
Isaac Lab 3.0与Newton：物理精度与吞吐量的权衡
Isaac Lab 3.0集成Newton物理引擎，支持柔性物体（如线缆、布料）和复杂关节系统（如多指手）的仿真。在基于视觉的灵巧操作基准中，Isaac Lab 3.0配合Newton实现了最高2.5倍于Isaac Lab 2.3配合PhysX的训练吞吐量。文章同时提到，开发者可切换PhysX与Newton求解器，并选择渲染器。这表明平台在提供更高吞吐量的同时，保留了不同物理求解器的选择空间，但文章未说明精度与吞吐量之间的具体取舍关系。
AlphaNIST与SGS：单一策略的精密装配效率
AlphaNIST在Isaac Lab中构建，用单一策略学习NIST装配任务板上的全部20项任务，仅使用“是/否”成功信号操作毫米级零件。其训练成功率达98%以上，而单独每任务策略为81%，且GPU时间减少约39倍。背后的Success-Guided Sampling（SGS）方法将训练集中在成功率约50%的任务上，使训练可扩展至超过百万个并行环境。这一结果展示了单一策略在多任务精密装配中的效率优势，但文章未披露任务间的具体差异和失败模式。
Q&A
NVIDIA在CoRL大会上发布了哪些新的机器人技术？
NVIDIA发布了GR00T 2世界动作模型、Isaac Lab 3.0仿真框架，以及新的开放基准DexBench和VABAR，还有代理工作流等开放机器人技术。
GR00T 2模型有什么特点？
GR00T 2是基于NVIDIA Cosmos构建的开放前沿世界动作模型，使用包括10万小时人类第一人称数据在内的多样化机器人及人类数据训练。其特点包括：开箱即用性能（无需任务特定演示即可完成50项评估任务中的40项）、技能迁移（从人类演示学习并跨机器人身体迁移技能）、少数据泛化（单次演示平均成功率达71%，五次演示提升至95%）、代理控制（AI代理可通过API按顺序运行技能并从错误中恢复）。
Isaac Lab 3.0有哪些新功能和改进？
Isaac Lab 3.0允许研究人员使用代理快速设置训练环境，切换NVIDIA PhysX和Newton物理求解器，选择渲染器进行基于感知的训练，并应用新的强化学习后训练库。与Newton的集成使其能够模拟可变形物体（如电缆和布料）以及复杂关节系统。在基于视觉的灵巧操作基准中，Isaac Lab 3.0与Newton结合实现了高达2.5倍的训练吞吐量提升（相比Isaac Lab 2.3与PhysX）。
AlphaNIST在精密装配任务上的表现如何？
AlphaNIST在NIST装配任务板上使用单一策略学习全部20项任务，仅使用是/否成功信号操作毫米级零件。它实现了超过98%的训练成功率，而单独每任务策略为81%，且使用的GPU时间减少约39倍。
DexBench和VABAR这两个新基准是做什么的？
DexBench和VABAR是两个新的开放基准，旨在使用Isaac Lab-Arena和Newton评估工业任务中的机器人灵巧性和适应性。DexBench由RLWRLD与NVIDIA合作开发，包含零售、物流、制造和酒店四个场景的15项任务，测试对象、空间和物理变化的泛化能力。VABAR由UC Berkeley和NVIDIA开发，评估六项工业任务，每项任务具有标准化变化、难度等级和成功指标。
代理机器人（Agentic Robotics）如何帮助机器人完成多步骤任务？
代理机器人通过AI代理将单个技能连接成机器人程序。例如，UC Berkeley的Graph-as-Policy（GaP）框架使用代理连接技能，并在NVIDIA Isaac开放仿真技术中测试程序，根据失败进行改进。这有助于研究人员以更少的数据扩展开发，同时保持程序的可解释性，便于工程师在部署前审查和验证。
