Les actionneurs humanoïdes de Schaeffler deviennent la base exclusive du moteur physique Newton de Nvidia

Pourquoi c'est important

Le plus coûteux dans un robot humanoïde, ce n'est pas seulement le matériel : c'est de le construire, de se tromper et de recommencer. Avec les modèles réels d'actionneurs de Schaeffler désormais intégrés au moteur open source Newton, les développeurs peuvent « conduire le vrai robot » en simulation avant de couper le métal. Une vraie réduction de coût sur la voie qui mène des prototypes de laboratoire aux humanoïdes de production.

Lire l'article

Schaeffler, l'entreprise allemande de technologies du mouvement, a annoncé le 21 octobre depuis Fort Mill (Caroline du Sud) une collaboration avec Nvidia : sa technologie avancée d'actionneurs devient la « composante fondamentale exclusive » de Newton, le moteur physique open source pour l'apprentissage et la simulation des robots, intégré aux frameworks Isaac Lab et Isaac Sim de Nvidia.

Selon Schaeffler, un humanoïde typique compte environ 26 actionneurs, mains non comprises. Son jumeau numérique reproduit chaque actionneur avec une haute fidélité tout en restant assez rapide pour la simulation à grande échelle et l'entraînement par apprentissage automatique. L'objectif est de combler le fossé « sim2real » qui tourmente la robotique, et à terme d'atteindre le « déploiement zéro-shot », des robots entraînés virtuellement capables d'agir dans le monde réel.

Amit Goel, responsable de l'écosystème robotique chez Nvidia, a déclaré que les développeurs peuvent concevoir le robot, entraîner des politiques par apprentissage par renforcement dans Isaac Lab et les valider à grande échelle dans Isaac Sim. Nvidia a mentionné ce partenariat dans son annonce de la plateforme Isaac le même jour au GTC de Berlin.

La même annonce indique qu'Isaac Lab 3.0 est désormais disponible en version générale, avec prise en charge des moteurs Newton et PhysX ; qu'un nouveau framework d'exécution open source, Isaac OS, voit le jour ; et que trois workflows de référence open source pour DGX Station permettent d'affiner le modèle GR00T 1.7, d'entraîner des compétences de manipulation fine et de post-entraîner les modèles Cosmos pour la génération de données synthétiques.