bytevyte
bytevyte
Language
EN DE ES FR PT IT
Follow
ai-beats-fr —

NVIDIA dévoile des physical AI agent skills pour accélérer l'entraînement des systèmes autonomes

compétences d'agents d'IA physique

NVIDIA a introduit une suite de physical AI agent skills conçue pour accélérer le développement de systèmes autonomes dans la robotique et le transport. Annoncés cette semaine lors de la Conference on Computer Vision and Pattern Recognition (CVPR) 2026, ces outils utilisent le modèle de fondation NVIDIA Cosmos 3 pour automatiser la génération de données synthétiques, s'attaquant ainsi à un goulot d'étranglement majeur dans l'entraînement des agents incarnés.

La version inclut des compétences spécialisées pour les véhicules autonomes (AV) et la robotique, intégrées directement dans les environnements Isaac Sim 6.0 et Isaac Lab. En automatisant la création de scènes et la reconstruction neuronale de scènes, NVIDIA vise à réduire la dépendance à l'étiquetage manuel des données et aux tests physiques. Ces physical AI agent skills sont désormais disponibles pour les chercheurs via GitHub et la plateforme NVIDIA Brev, qui offre des crédits d'essai pour les premiers utilisateurs.

Des modèles avancés pour la robotique et la conduite

Au cœur de cette expansion se trouve GraspGen-X, un modèle de fondation spécifiquement conçu pour la saisie robotique zero-shot. NVIDIA a entraîné ce modèle sur 2 milliards de saisies simulées, permettant aux robots de manipuler des objets inconnus sans entraînement préalable spécifique. Cette capacité est essentielle pour les secteurs de la logistique et de la fabrication où la variété des objets dépasse souvent les méthodes de programmation traditionnelles.

Pour le secteur automobile, l'entreprise a lancé LCDrive, un modèle conçu pour le matériel de conduite embarqué. Ce système utilise des représentations latentes pour traiter les données environnementales, ce qui permet des vitesses de raisonnement plus rapides par rapport aux architectures précédentes. En optimisant la manière dont les véhicules autonomes interprètent leur environnement, LCDrive améliore la réactivité des systèmes critiques pour la sécurité dans des scénarios en temps réel.

Impact stratégique sur le développement autonome

L'introduction de ces physical AI agent skills marque un tournant vers un développement axé sur la simulation. NVIDIA a également présenté NitroGen, un modèle de fondation généralisé pour l'IA de gameplay. Ce modèle a été entraîné sur plus de 40 000 heures d'interaction à travers 1 000 jeux différents pour aider les agents incarnés à apprendre des comportements complexes dans des environnements diversifiés. Un tel entraînement cross-domaine aide les agents à mieux généraliser lorsqu'ils passent des simulations virtuelles au monde physique.

Au-delà des applications industrielles, l'entreprise a publié le Cosmos-H-Surgical-Simulator, un ensemble de données adapté à la robotique chirurgicale. Ce mouvement indique une expansion vers l'automatisation des soins de santé de haute précision. En fournissant l'infrastructure nécessaire pour générer des données synthétiques de haute fidélité, NVIDIA se positionne comme la couche fondamentale de la prochaine génération de machines autonomes dans de multiples industries.

Bien que nous nous efforcions d'être précis, bytevyte peut commettre des erreurs. Il est conseillé aux utilisateurs de vérifier toutes les informations de manière indépendante. Nous déclinons toute responsabilité en cas d'erreurs ou d'omissions.

Sources

NVIDIA Enables the Next Era Of Physical AI Research With Agent Skills

NVIDIA Research Unlocks Advanced Grasping and Driving

✔Human Verified

Share