NVIDIA在ICRA 2026展示八项机器人研究成果：仿真到真实世界的跨越

事件概述

NVIDIA Research在2026年国际机器人与自动化大会（ICRA）上展示了8篇论文，聚焦从仿真到真实世界的机器人迁移技术。这些研究覆盖了机器人感知、规划、操作和动作生成的完整技术栈，关键创新包括GPU加速多臂协调、零真实数据导航、自适应抓取、高精度装配以及视觉-语言-动作模型等。

多臂协调与导航

• ScheduleStream：利用GPU并行计算，使多机械臂能够同时规划运动，相比于传统顺序调度，在Jetson边缘平台上实现3倍速度提升。开源代码已发布在GitHub。
• COMPASS策略框架：通过模仿学习构建基础导航功能，再使用NVIDIA Isaac Lab中的残差强化学习为不同形态机器人（如自主移动机器人和人形机器人）定制导航策略。全程无真实机器人数据，仅在仿真中训练。相比模仿学习基线，平均成功率提升4.5倍；在20次真实导航试验中达到约80%成功率。

抓取与操作

• Grasp-MPC：在接近目标物体时持续修正抓取方案，而非执行固定计划。使用GraspGen数据集和cuRobo运动规划库生成了200万条仿真轨迹进行训练，在真实场景中抓取新物体（桌面、货架杂乱环境）成功率达75%，而基线方法为41%。
• Deformable Cluster Manipulation：处理缠绕的柔性物体（如清理电力线上树枝）。利用生物生长方程生成多种形状的合成树木，在NVIDIA Isaac仿真中训练，零样本迁移到真实树枝。潜在应用包括电缆管理、农业检查等。

高精度装配

• SPARR：分两阶段训练——在Isaac Lab中学习装配的通用策略，然后在真实硬件上通过机器人自带相机自动补偿仿真误差，无需人类示教。相比零样本仿真-真实迁移基线，成功率提升38%，周期时间缩短约30%；在未训练过的NIST装配任务上成功率提升近75%。
• Refinery：处理多步骤装配任务，学习每个步骤完成后的组件状态如何影响后续步骤。在数百种仿真装配场景中训练后，仿真成功率达91%，真实世界中平均优于基线约11%，且策略可串联处理长序列任务。

动作模型与指令跟随

• PEEK：利用视觉语言模型解析任务指令，在机器人视野中高亮任务相关物体并淡化背景。仿真训练策略在真实世界中准确率提升41倍，大型VLA模型和小型策略提升2-3.5倍。与任何基于视觉的策略兼容。
• SEAL（Do What You Say项目，与卡内基梅隆大学、犹他大学、悉尼大学合作）：在运行时生成多个候选动作序列，模拟每个序列的结果，选择与指令意图最匹配的动作。相比先前方法准确率提升最高15%，对指令重述、物体变化、杂乱场景和视角偏移具有鲁棒性。

基础设施与合作

• NVIDIA Physical AI Dataset下载量已超过1500万次，Isaac GR00T X Embodiment Sim成为下载最多的机器人数据集之一。
• 来自CMU、MIT、ETH Zurich、德州大学奥斯汀分校等高校的团队使用NVIDIA技术开展物理AI研究，在ICRA上有多篇论文引用NVIDIA的仿真、学习和计算工具。