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

NVIDIA enthüllt Physical AI Agent Skills zur Beschleunigung des Trainings autonomer Systeme

Physische KI-Agenten-Fähigkeiten

NVIDIA hat eine Suite von physical AI agent skills vorgestellt, die darauf ausgelegt sind, die Entwicklung autonomer Systeme in der Robotik und im Transportwesen zu beschleunigen. Diese Tools, die diese Woche auf der Conference on Computer Vision and Pattern Recognition (CVPR) 2026 angekündigt wurden, nutzen das NVIDIA Cosmos 3 Foundation Model, um die Generierung synthetischer Daten zu automatisieren und so einen primären Engpass beim Training von Embodied Agents zu beheben.

Die Veröffentlichung umfasst spezialisierte Fähigkeiten für autonome Fahrzeuge (AVs) und Robotik, die direkt in die Umgebungen Isaac Sim 6.0 und Isaac Lab integriert sind. Durch die Automatisierung von Scene Authoring und Neural Scene Reconstruction zielt NVIDIA darauf ab, die Abhängigkeit von manueller Datenkennzeichnung und physischen Tests zu verringern. Diese physical AI agent skills sind ab sofort für Forscher über GitHub und die NVIDIA Brev-Plattform verfügbar, die Testguthaben für Early Adopter anbietet.

Fortschrittliche Modelle für Robotik und autonomes Fahren

Zentral für diese Erweiterung ist GraspGen-X, ein Foundation Model, das speziell für Zero-Shot Robotic Grasping entwickelt wurde. NVIDIA hat dieses Modell mit 2 Milliarden simulierten Greifvorgängen trainiert, sodass Roboter unbekannte Objekte ohne vorheriges spezifisches Training handhaben können. Diese Fähigkeit ist entscheidend für Logistik- und Fertigungssektoren, in denen die Objektvielfalt herkömmliche Programmiermethoden oft übertrifft.

Für den Automobilsektor debütierte das Unternehmen LCDrive, ein Modell, das für eingebettete Fahrhardware entwickelt wurde. Dieses System nutzt latente Repräsentationen zur Verarbeitung von Umgebungsdaten, was im Vergleich zu früheren Architekturen zu schnelleren Rechengeschwindigkeiten führt. Durch die Optimierung der Art und Weise, wie autonome Fahrzeuge ihre Umgebung interpretieren, verbessert LCDrive die Reaktionsfähigkeit sicherheitskritischer Systeme in Echtzeitszenarien.

Strategische Auswirkungen auf die autonome Entwicklung

Die Einführung dieser physical AI agent skills markiert einen Wandel hin zur Simulation-First-Entwicklung. NVIDIA präsentierte außerdem NitroGen, ein generalisiertes Gameplay AI Foundation Model. Dieses Modell wurde mit mehr als 40.000 Stunden Interaktion in 1.000 verschiedenen Spielen trainiert, um Embodied Agents dabei zu helfen, komplexe Verhaltensweisen in unterschiedlichen Umgebungen zu erlernen. Ein solches domänenübergreifendes Training hilft Agenten, besser zu generalisieren, wenn sie von virtuellen Simulationen in die physische Welt übertragen werden.

Über industrielle Anwendungen hinaus veröffentlichte das Unternehmen den Cosmos-H-Surgical-Simulator, einen Datensatz, der speziell auf die chirurgische Robotik zugeschnitten ist. Dieser Schritt deutet auf eine Expansion in die hochpräzise Automatisierung des Gesundheitswesens hin. Durch die Bereitstellung der Infrastruktur zur Generierung hochpräziser synthetischer Daten positioniert sich NVIDIA als Basisschicht für die nächste Generation autonomer Maschinen in zahlreichen Branchen.

Obwohl wir um Genauigkeit bemüht sind, kann bytevyte Fehler machen. Benutzern wird empfohlen, alle Informationen unabhängig zu überprüfen. Wir übernehmen keine Haftung für Fehler oder Auslassungen.

Sources

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

NVIDIA Research Unlocks Advanced Grasping and Driving

✔Human Verified

Share