- Katılım
- 13 Ocak 2026
- Mesajlar
- 239
- Tepkime puanı
- 102
- Puan
- 43
Arkadaşlar, forumda daha önce Hugging Face ve Pollen Robotics’in küçük iki ayaklı robotu Microduck’ı konuşmuştuk. Bu kez robotun ilk tanıtımını tekrarlamak yerine yeni bir gelişmeye bakalım: NVIDIA ekibi, Isaac Lab 3.0 ve Newton kullanarak simülasyonda eğitilen yürüme modelinin gerçek Microduck’a aktarılmasını adım adım gösteren bir teknik yazı yayımladı. Hugging Face’teki bu çalışma, sevimli bir robot gösterisinin arkasındaki eğitim sürecini somutlaştırması açısından ilginç.
Sanal ortamda yürümek neden tek başına yetmiyor?
Bir robotun bilgisayardaki düz zeminde dengeli hareket etmesi, gerçek odada aynı başarıyı göstereceğini garanti etmiyor. Fiziksel motorlar komuta anında kusursuz tepki vermiyor; zeminin sürtünmesi, pilin durumu ve hareket aktarımındaki küçük boşluklar sonucu değiştirebiliyor. Kaynak, özellikle servo tepkisi ile bu mekanik farklılıkların eğitimde hesaba katılması üzerinde duruyor. Yani mesele yalnızca bir yürüme animasyonu hazırlamak değil, değişen koşullarda denge kurabilecek bir kontrol davranışı geliştirmek.
Isaac Lab, çok sayıda sanal robot ortamını GPU üzerinde paralel çalıştıran açık kaynaklı bir robot öğrenme çerçevesi. Yazıdaki başlangıç görevinde robot düz zeminde çalışıyor; daha zorlu çeşitte merdivenler, eğimler ve engebeler devreye giriyor. Hazır örnekte 4.096 paralel ortam kullanılıyor. Bu sayı, masada binlerce fiziksel robot bulunduğu anlamına gelmiyor; eğitim sırasında eş zamanlı çalışan simülasyonları anlatıyor.
Görsel: NVIDIA ekibi / Hugging Face teknik yazısı. Solda düz, sağda engebeli zemindeki Microduck simülasyon ortamları.
Newton gerçek donanıma geçişte ne yapıyor?
Çalışmada Newton fizik motoru ve aktüatör modelleme araçları birlikte kullanılıyor. Motorların elektriksel sınırları, sürtünme ve gecikme gibi etkiler simülasyona dahil ediliyor. Dişli sisteminin yön değişiminde yaşadığı mekanik boşluk da modelleniyor. Böylece eğitim yalnızca ideal bir sanal robot üzerinden yürümüyor; gerçek cihazın karşılaşabileceği farklılıklara yer açılıyor.
Buna ek olarak kütle, ağırlık merkezi, zemin sürtünmesi, eklem özellikleri, pil gerilimi ve komut gecikmesi gibi değerler eğitim boyunca değiştiriliyor. Basitçe anlatırsam, hep aynı pürüzsüz zeminde prova yapan bir robot yerine farklı koşulları deneyen bir robot düşünün. Bu benim açıklayıcı benzetmem; her yüzeyde düşmeden yürüme garantisi değil. Yöntemin amacı, simülasyonla fiziksel dünya arasındaki farkın etkisini azaltmak.
Eğitim hızındaki rakamı nasıl okumalıyız?
Yazarlar, çoklu GPU ile dağıtık eğitimin desteklendiğini ve örnek bir 16 GPU yapılandırmasında engebeli zemin ile mekanik boşluk etkileri açıkken saniyede 1,25 milyon adıma ulaşılabildiğini belirtiyor. Buradaki adımlar, robotun gerçek hayatta saniyede attığı ayak adımları değil; eğitimde işlenen simülasyon adımları. Ayrıca bu sonuç bütün bilgisayarlar için ortak bir performans değeri olarak sunulmuyor.
Teknik yazı, eğitim tarafında desteklenen NVIDIA GPU’su ve sürücüsü bulunan bir Linux iş istasyonu istiyor. Gerçek robota geçişte ise robotun kendi yazılımının ve kontrol arayüzünün hazır olması gerekiyor. Dolayısıyla eğitim altyapısıyla robotun üzerinde çalışan kontrol yazılımını aynı şey gibi düşünmemek önemli.
Öğrenilen davranış nasıl paylaşılabiliyor?
Simülasyonda değerlendirilen kontrol modeli ONNX biçiminde dışarı aktarılıp fiziksel robotun çalışma ortamında kullanılabiliyor. Kaynak, gözlem sırasının, normalleştirmenin ve hareket ölçeklemesinin eğitimle tutarlı kalmasını özellikle vurguluyor. Bir dosyanın aktarılması kadar, iki tarafın aynı verileri aynı biçimde yorumlaması da önemli.
Geliştiriciler modeli Hugging Face Hub’da paylaşabiliyor ve uyumlu modelleri Microduck Arena’daki ortak görevlerde karşılaştırabiliyor. Bence asıl yenilik, robotun ilk günkü hareket listesinden çok bu tekrar üretilebilir eğitim ve paylaşım süreci. Sizce küçük robotlar, robotik öğrenimini laboratuvardan çıkarıp daha geniş bir geliştirici kitlesine ulaştırabilir mi?
Kaynak: Hugging Face’te NVIDIA ekibinin yayımladığı Microduck, Isaac Lab 3.0 ve Newton ile simülasyondan gerçek robota geçiş yazısı.
Sanal ortamda yürümek neden tek başına yetmiyor?
Bir robotun bilgisayardaki düz zeminde dengeli hareket etmesi, gerçek odada aynı başarıyı göstereceğini garanti etmiyor. Fiziksel motorlar komuta anında kusursuz tepki vermiyor; zeminin sürtünmesi, pilin durumu ve hareket aktarımındaki küçük boşluklar sonucu değiştirebiliyor. Kaynak, özellikle servo tepkisi ile bu mekanik farklılıkların eğitimde hesaba katılması üzerinde duruyor. Yani mesele yalnızca bir yürüme animasyonu hazırlamak değil, değişen koşullarda denge kurabilecek bir kontrol davranışı geliştirmek.
Isaac Lab, çok sayıda sanal robot ortamını GPU üzerinde paralel çalıştıran açık kaynaklı bir robot öğrenme çerçevesi. Yazıdaki başlangıç görevinde robot düz zeminde çalışıyor; daha zorlu çeşitte merdivenler, eğimler ve engebeler devreye giriyor. Hazır örnekte 4.096 paralel ortam kullanılıyor. Bu sayı, masada binlerce fiziksel robot bulunduğu anlamına gelmiyor; eğitim sırasında eş zamanlı çalışan simülasyonları anlatıyor.
Görsel: NVIDIA ekibi / Hugging Face teknik yazısı. Solda düz, sağda engebeli zemindeki Microduck simülasyon ortamları.
Newton gerçek donanıma geçişte ne yapıyor?
Çalışmada Newton fizik motoru ve aktüatör modelleme araçları birlikte kullanılıyor. Motorların elektriksel sınırları, sürtünme ve gecikme gibi etkiler simülasyona dahil ediliyor. Dişli sisteminin yön değişiminde yaşadığı mekanik boşluk da modelleniyor. Böylece eğitim yalnızca ideal bir sanal robot üzerinden yürümüyor; gerçek cihazın karşılaşabileceği farklılıklara yer açılıyor.
Buna ek olarak kütle, ağırlık merkezi, zemin sürtünmesi, eklem özellikleri, pil gerilimi ve komut gecikmesi gibi değerler eğitim boyunca değiştiriliyor. Basitçe anlatırsam, hep aynı pürüzsüz zeminde prova yapan bir robot yerine farklı koşulları deneyen bir robot düşünün. Bu benim açıklayıcı benzetmem; her yüzeyde düşmeden yürüme garantisi değil. Yöntemin amacı, simülasyonla fiziksel dünya arasındaki farkın etkisini azaltmak.
Eğitim hızındaki rakamı nasıl okumalıyız?
Yazarlar, çoklu GPU ile dağıtık eğitimin desteklendiğini ve örnek bir 16 GPU yapılandırmasında engebeli zemin ile mekanik boşluk etkileri açıkken saniyede 1,25 milyon adıma ulaşılabildiğini belirtiyor. Buradaki adımlar, robotun gerçek hayatta saniyede attığı ayak adımları değil; eğitimde işlenen simülasyon adımları. Ayrıca bu sonuç bütün bilgisayarlar için ortak bir performans değeri olarak sunulmuyor.
Teknik yazı, eğitim tarafında desteklenen NVIDIA GPU’su ve sürücüsü bulunan bir Linux iş istasyonu istiyor. Gerçek robota geçişte ise robotun kendi yazılımının ve kontrol arayüzünün hazır olması gerekiyor. Dolayısıyla eğitim altyapısıyla robotun üzerinde çalışan kontrol yazılımını aynı şey gibi düşünmemek önemli.
Öğrenilen davranış nasıl paylaşılabiliyor?
Simülasyonda değerlendirilen kontrol modeli ONNX biçiminde dışarı aktarılıp fiziksel robotun çalışma ortamında kullanılabiliyor. Kaynak, gözlem sırasının, normalleştirmenin ve hareket ölçeklemesinin eğitimle tutarlı kalmasını özellikle vurguluyor. Bir dosyanın aktarılması kadar, iki tarafın aynı verileri aynı biçimde yorumlaması da önemli.
Geliştiriciler modeli Hugging Face Hub’da paylaşabiliyor ve uyumlu modelleri Microduck Arena’daki ortak görevlerde karşılaştırabiliyor. Bence asıl yenilik, robotun ilk günkü hareket listesinden çok bu tekrar üretilebilir eğitim ve paylaşım süreci. Sizce küçük robotlar, robotik öğrenimini laboratuvardan çıkarıp daha geniş bir geliştirici kitlesine ulaştırabilir mi?
Kaynak: Hugging Face’te NVIDIA ekibinin yayımladığı Microduck, Isaac Lab 3.0 ve Newton ile simülasyondan gerçek robota geçiş yazısı.