The Pulse

NVIDIA presenta il modello per robot GR00T 2 e Isaac Lab 3.0 a CoRL

Alla Conference on Robot Learning di Austin, NVIDIA ha presentato GR00T 2, un modello aperto di azione sul mondo basato su Cosmos, e la versione 3.0 del suo framework Isaac Lab per l’apprendimento dei robot. Ha inoltre presentato nuovi benc

AI.info Team · Scritto con l’IA · verificato · 2026-11-09

NVIDIA ha scelto la Conference on Robot Learning (CoRL) di questa settimana ad Austin, in Texas, per presentare GR00T 2, un modello di azione sul mondo per robot, insieme a Isaac Lab 3.0 e a nuovi benchmark aperti per compiti industriali.

GR00T 2 impara dalle dimostrazioni

A CoRL, NVIDIA presenta GR00T 2, un modello aperto di frontiera per l’azione sul mondo, basato su NVIDIA Cosmos. Il modello è stato addestrato su dati eterogenei relativi a robot ed esseri umani, tra cui 100.000 ore di dati open source di NVIDIA raccolti dal punto di vista umano. Secondo NVIDIA, senza dimostrazioni specifiche per i singoli compiti ha completato almeno una volta 40 dei 50 compiti valutati; con una sola dimostrazione per compito ha raggiunto un tasso medio di successo del 71% su 50 compiti, salito al 95% con cinque dimostrazioni. GR00T 2 apprende dalle dimostrazioni umane e trasferisce le competenze tra corpi robotici diversi senza dimostrazioni da parte di robot.

Gli agenti di IA possono usare l’interfaccia di programmazione delle applicazioni di GR00T 2 e gli strumenti di supporto per eseguire competenze in sequenza e riprendersi dagli errori. NVIDIA afferma che il modello figura attualmente tra i primi tre in tutte le categorie di modelli visione-linguaggio-azione e di azione sul mondo nei benchmark RoboCasa365, RoboLab, RoboDojo e MolmoSpaces, con diversi primi posti nelle classifiche. Nexuni sta testando GR00T 2 per la gestione robotizzata della biancheria, Foxconn lo applica all’automazione delle fabbriche per la produzione di server e Siemens lo sta valutando per casi d’uso industriali.

Una sola policy per 20 compiti di assemblaggio

Realizzato in Isaac Lab, AlphaNIST addestra un’unica policy per tutti i 20 compiti del NIST Assembly Task Board, manipolando componenti su scala millimetrica usando soltanto un segnale di successo del tipo sì o no. NVIDIA afferma che raggiunge un tasso di successo in addestramento superiore al 98%, contro l’81% delle policy separate per ciascun compito, usando circa 39 volte meno tempo di GPU. Alla base di questi risultati c’è Success-Guided Sampling, o SGS, sviluppato dalla University of Washington e da NVIDIA. SGS concentra l’esercizio sui compiti che una policy riesce a svolgere circa metà delle volte; con SGS, l’addestramento dei robot può estendersi a oltre un milione di ambienti paralleli.

Isaac Lab 3.0 ha un’integrazione più stretta con Newton

Isaac Lab 3.0, il framework open source di NVIDIA per l’apprendimento dei robot, consente ai ricercatori di usare agenti per predisporre rapidamente ambienti di addestramento con risorse pronte per la simulazione, passare da un motore di fisica all’altro tra NVIDIA PhysX e Newton, scegliere i motori di rendering per l’addestramento basato sulla percezione e applicare una nuova libreria di post-addestramento per rinforzo ai modelli di base come GR00T. Un’integrazione più stretta con Newton consente ora a Isaac Lab di modellare oggetti deformabili come cavi e tessuti, oltre a sistemi articolati complessi come mani robotiche con molte articolazioni che interagiscono tra loro. In un benchmark di manipolazione con destrezza basato sulla visione, Isaac Lab 3.0 con Newton ha raggiunto una velocità di addestramento fino a 2,5 volte superiore a quella di Isaac Lab 2.3 con PhysX. L’integrazione con Newton simula come una fragola si deforma sotto la presa di un robot.

I nuovi DexBench e VABAR valutano compiti industriali

A CoRL arriva l’anteprima per sviluppatori dell’ultima versione di Isaac Lab-Arena, la 0.4; il framework consente agli sviluppatori di creare valutazioni diversificate e ripetibili e di eseguire policy su migliaia di variazioni in parallelo. DexBench, sviluppato da RLWRLD in collaborazione con NVIDIA, comprende 15 compiti in quattro scenari che spaziano dalla vendita al dettaglio alla logistica, dalla produzione all’ospitalità, e verifica la capacità di generalizzazione rispetto a variazioni degli oggetti, dello spazio e della fisica. VABAR, sviluppato da UC Berkeley e NVIDIA, valuta i robot su sei compiti industriali con variazioni, livelli di difficoltà e metriche di successo standardizzati.

Il nuovo framework Graph-as-Policy (GaP) di UC Berkeley usa agenti per collegare singole competenze in programmi per robot. Gli agenti testano questi programmi usando le tecnologie di simulazione aperte NVIDIA Isaac e li perfezionano sulla base degli insuccessi.

«Per me, la robotica agentica è lo sviluppo tecnologico più entusiasmante dai tempi di internet nel 1995»,

Ken Goldberg, professore di robotica a UC Berkeley e responsabile dei progetti VABAR e GaP

Ambi Robotics, Bosch Research e Siemens stanno tutte esplorando GaP per i suoi flussi di lavoro di robotica agentica in diversi scenari industriali.