Microduck: Pollen Robotics und Hugging Face bringen Zweibeiner aus Isaac Lab auf den Markt

Vom Simulator auf den echten Roboter

Der Ablauf bei Microduck umfasst drei Stufen: Eine Gehrichtlinie wird in der Simulation trainiert, im ONNX-Format exportiert und auf einem realen Zweibeinroboter eingesetzt. Nach Angaben der Entwickler muss eine im Simulator trainierte Richtlinie auch mit Reibung, Verzögerungen und mechanischem Spiel echter Servos zurechtkommen, weshalb der Ansatz Aktuatormodellierung und Domain Randomization nutzt.

NVIDIA Isaac Lab, ein Open-Source-Framework zum Trainieren von Richtlinien in Tausenden GPU-parallelen Simulationen, stellt die Trainingsumgebung bereit. Isaac Lab liefert bereits das Microduck-Robotermodell samt Szene, Beobachtungen, Aktionen, Belohnungen und Einstellungen für Domain Randomization. Anwender beginnen mit einer Aufgabe zum Gehen auf ebenem Boden, während eine raue Variante Treppen, Schrägen und unebenes Gelände hinzufügt.

Voraussetzungen für Training und Einsatz

Für Simulation und Training wird eine Linux-Workstation mit unterstützter NVIDIA-GPU und Treiber sowie eine Isaac-Lab-Installation benötigt. Der Einsatz erfordert zusätzlich einen konfigurierten physischen Microduck mit funktionierender Bordsoftware sowie eine unterstützte Steuerung wie ein gekoppeltes Gamepad.

Isaac Lab führt simulierte Umgebungen parallel auf der GPU aus, um das Lauftraining zu beschleunigen, und kann das Training auch auf mehrere GPUs verteilen, etwa auf 16 GPUs.

Nächste Schritte für Entwickler

Eine trainierte und geprüfte Richtlinie lässt sich im Hugging Face Hub teilen, auf Kompatibilität prüfen und im Wettbewerb Microduck Arena einreichen. Entwickler können sie zudem auf einem eigenen Microduck einsetzen oder mit Isaac Lab 3.0 anspruchsvollere Aufgaben angehen, zu denen verlinkte Beispiele angeboten werden.

Offene Fragen

• Wie zuverlässig arbeiten trainierte Gehrichtlinien auf physischen Microduck-Robotern außerhalb der Tutorial-Umgebung?