NVIDIA, robot öğrenimi için açık benchmark'larla GR00T 2 ve Isaac Lab 3.0'ı duyurdu

Teksas, Austin'de düzenlenen Conference on Robot Learning (CoRL 2026) kapsamında NVIDIA, robot öğrenimi için birbiriyle ilgili üç sürüm duyurdu: robot kontrolü için yeni bir foundation model olan GR00T 2; açık kaynak robot öğrenimi framework'ünün güncellemesi Isaac Lab 3.0; ve robot politikalarını değerlendirmek için bir dizi açık benchmark. Ayrıntılar, NVIDIA'ın blog yazısı ile NVIDIA Research ve UC Berkeley'in ilgili sayfalarına dayanan bir dev.to haberinden geliyor.

GR00T 2 insan videosundan öğreniyor

NVIDIA, GR00T 2'yi şirketin Cosmos platformu üzerine inşa edilmiş açık bir "dünya eylem modeli" olarak tanımlıyor. Eğitiminde robot verisi ile insan kayıtları bir arada kullanılıyor; bunlara NVIDIA'nın topladığı 100.000 saatlik açık kaynak ego-santrik insan videosu da dahil. Öne çıkan yeteneği transfer: insan gösterimlerinden öğrenilen beceriler, her robot üzerinde ayrıca gösterim toplanmadan farklı robot gövdeleri arasında aktarılabilıyor. NVIDIA ayrıca yapay zeka ajanlarının modeli bir API ve destekleyici araçlar aracılığıyla çağırabildiğini, becerileri sırayla çalıştırabildiğini ve bir adım başarısız olduğunda kendini toparlayabildiğini belirtiyor.

Açıklanan sayılar

dev.to haberine göre GR00T 2, göreve özel gösterim olmadan 50 değerlendirilen görevin 40'ını en az bir kez tamamladı. Görev başına tek bir gösterim, 50 görev genelindeki ortalama başarıyı yüzde 71'e çıkardı; beş gösterim ise yüzde 95'e taşıdı. NVIDIA, bir görevi en az bir kez tamamlamak ile ortalama başarı oranı arasında açık bir ayrım yapıyor, çünkü bunlar farklı şeyleri ölçüyor. Herkese açık karşılaştırmalarda model, RoboCasa365, RoboLab, RoboDojo ve MolmoSpaces için vision language action ve dünya eylem modeli kategorilerinde ilk üç arasında yer alıyor.

Birkaç şirket modeli halihazırda test ediyor: robotik çamaşır taşıma için Nexuni, sunucu üretiminde fabrika otomasyonu için Foxconn ve çok çeşitli endüstriyel kullanım senaryoları için Siemens.

Isaac Lab 3.0 ve Newton fizik motoru

Isaac Lab 3.0, kabloları, kumaşları ve robotik eller gibi karmaşık eklemli sistemleri modelleyebilen açık kaynak fizik motoru Newton ile daha sıkı bütünleşiyor. Görü tabanlı becerikli manipülasyon benchmark'ında yeni sürüm, PhysX ile çalışan Isaac Lab 2.3'e kıyasla eğitim iş hacminde 2,5 kata kadar ulaşan bir artış sağlıyor ve binlerce simüle edilmiş robotun paralel olarak eğitilmesini destekliyor.

Vitrin projelerinden AlphaNIST, NIST Assembly Task Board'daki 20 görevin tamamını tek bir politikayla ele alıyor ve parçaları milimetre ölçeğinde manipüle ediyor. NVIDIA, bu birleşik politikayla yüzde 98'in üzerinde eğitim başarısı rapylarken, görev başına ayrı politikalarla bu oran yüzde 81'de kalıyor ve yaklaşık 39 kat daha az GPU süresi tüketiliyor.

Açık benchmark'lar ve değerlendirme ayarları

Model sürümlerinin yanı sıra NVIDIA ve ortakları, laboratuvarlar arası sonuçları karşılaştırılabilir kılmayı hedefleyen değerlendirme ayarları yayımladı. RLWRLD ile NVIDIA'nın birlikte geliştirdiği DexBench, perakende, lojistik, üretim ve konaklama alanlarına yayılan dört sahnede 15 görevi kapsıyor. UC Berkeley ve NVIDIA'dan gelen VABAR ise altı endüstriyel görevi değerlendiriyor.

İki araştırma framework'ü, tek tek beceriler öğrenmek ile bunları program olarak teslim etmek arasındaki boşluğa odaklanıyor. UC Berkeley'in Graph-as-Policy'si, ajanların becerileri bağlamasına, ortaya çıkan programları Isaac simülasyonunda test etmesine ve hatalardan bunları rafine etmesine olanak tanırken programları mühendisler için yorumlanabilir tutuyor. Washington Üniversitesi ve NVIDIA'dan gelen Success-Guided Sampling ise eğitimi, bir politikaya henüz hakim olunmayan becerilere yoğunlaştırıyor ve bildirildiğine göre bir milyonun üzerinde paralel ortama ölçekleniyor.

Neden önemli

Robot öğrenimi tarihsel olarak parçalı bir alan oldu: politikalar robot başına ve görev başına eğitildi ve sonuçların araştırma grupları arasında karşılaştırılması zordu. GR00T 2'nin becerileri insan videosundan birden çok robot gövdesine aktarma iddiası, veri toplama darboğazına doğrudan saldırıyor; çünkü insanları kaydetmek, gösterim için robotları teleoperasyonla yönetmekten çok daha ucuz. Gösterim sayısı eğrisi — tek örnekle yüzde 71, beş örnekle yüzde 95 başarı — ekiplerin tam eğitim hatları çalıştırmak yerine genel bir modeli birkaç gösterimle uyarladığı pratik bir iş akışına işaret ediyor.

Isaac Lab 3.0'ın iş hacmi kazanımları ve Newton'un deforme olabilir nesne simülasyonu, döngünün diğer yarısının maliyetini düşürüyor; böylece mühendisler becerileri programlara dönüştürüp davranışlarını, fabrika zeminiyle temas kurulmadan önce simülasyonda test edebiliyor. Foxconn ve Siemens'in bu yığını endüstriyel işler için halihazırda değerlendirdiği düşünülünce, duyuru bir araştırma demosundan çok, genelci robot politikalarını otomasyon mühendisliğinde standart bir bileşen haline getirme girişimi gibi okunuyor.