{"id":51544,"date":"2026-06-17T16:48:00","date_gmt":"2026-06-17T15:48:00","guid":{"rendered":"https:\/\/cms-articles.softonic.io\/pl\/?p=51544"},"modified":"2026-06-17T16:50:15","modified_gmt":"2026-06-17T15:50:15","slug":"nvidia-pokazala-dzis-enpire-roboty-osiagaja-do-99-proc-skutecznosci","status":"publish","type":"post","link":"https:\/\/cms-articles.softonic.io\/pl\/nvidia-pokazala-dzis-enpire-roboty-osiagaja-do-99-proc-skutecznosci\/","title":{"rendered":"Nvidia pokaza\u0142a dzi\u015b ENPIRE: roboty osi\u0105gaj\u0105 do 99 proc. skuteczno\u015bci"},"content":{"rendered":"

Nvidia razem z Carnegie Mellon University oraz UC Berkeley pokaza\u0142a dzi\u015b ENPIRE<\/strong>, czyli projekt o pe\u0142nej nazwie Embodied aNd Physical-world-aware agentIc Robot policy self-ImprovemEnt. To badawczy system, kt\u00f3ry \u0142\u0105czy autonomiczny trening robot\u00f3w z automatyczn\u0105 ocen\u0105 zada\u0144 manipulacyjnych. Najciekawsze jest jednak co innego: wed\u0142ug Nvidii ca\u0142o\u015b\u0107 dzia\u0142a ju\u017c na prawdziwym stanowisku roboczym, nie tylko w symulowanym \u015brodowisku.<\/p>\n\n

Z informacji podanych przez Nvidi\u0119, Carnegie Mellon University i UC Berkeley wynika, \u017ce:<\/p>\n\n

\u2022 uda\u0142o si\u0119 zbudowa\u0107 zamkni\u0119t\u0105 p\u0119tl\u0119 samouczenia<\/strong>. Robot sam przygotowuje sobie przestrze\u0144 robocz\u0105, uruchamia polityk\u0119 sterowania, sprawdza wynik, resetuje stanowisko, a potem modyfikuje kod i parametry przed nast\u0119pn\u0105 pr\u00f3b\u0105; \u2022 osi\u0105gni\u0119to skuteczno\u015b\u0107 dochodz\u0105c\u0105 do 99% na flocie o\u015bmiu maszyn przy zadaniach takich jak ustawianie klocka Push-T, sortowanie pin\u00f3w, zaciskanie opasek kablowych i precyzyjne chwytanie; \u2022 skr\u00f3cono czas doj\u015bcia do 100% skuteczno\u015bci w zadaniu osadzania pin\u00f3w wzgl\u0119dem podobnego podej\u015bcia, w kt\u00f3rym trening by\u0142 nadzorowany przez cz\u0142owieka; \u2022 ca\u0142y proces przeniesiono do realnego \u015bwiata, razem z prawdziwym tarciem, niedok\u0142adno\u015bciami sprz\u0119tu i warunkami pracy, kt\u00f3re s\u0105 dalekie od laboratoryjnego idea\u0142u; \u2022 ocen\u0119 powodzenia zadania uda\u0142o si\u0119 zautomatyzowa\u0107 dzi\u0119ki w\u0142asnym funkcjom oceny i nagrody, budowanym na bazie zaledwie kilku minut przyk\u0142adowych nagra\u0144 pokazuj\u0105cych sukces i pora\u017ck\u0119; \u2022 przy osadzaniu pinu po\u0142\u0105czono kilka sygna\u0142\u00f3w naraz, mi\u0119dzy innymi dopasowanie obrazu, wysoko\u015b\u0107 chwytaka i szacowan\u0105 si\u0142\u0119 nacisku; \u2022 w zadaniu zaciskania opasek kablowych dorzucono dwa k\u0105ty widzenia z kamer, a op\u00f3\u017anienie reakcji uda\u0142o si\u0119 zej\u015b\u0107 poni\u017cej 150 milisekund; \u2022 ograniczono potrzeb\u0119 r\u0119cznego oceniania ka\u017cdej pr\u00f3by przez operatora; \u2022 prac\u0119 podzielono na dwa etapy: najpierw ustawienie granic bezpiecze\u0144stwa, procedur automatycznego resetu i kryteri\u00f3w sukcesu przy ograniczonym udziale cz\u0142owieka, a dopiero p\u00f3\u017aniej w pe\u0142ni samodzielne dzia\u0142anie; \u2022 system potrafi sam czyta\u0107 publikacje, stawia\u0107 hipotezy, edytowa\u0107 kod treningowy i dobiera\u0107 metody, takie jak klonowanie zachowa\u0144 albo uczenie ze wzmocnieniem, zale\u017cnie od wynik\u00f3w uzyskiwanych na prawdziwym stanowisku; \u2022 uruchomiono osiem stanowisk z dwuramiennymi robotami YAM. Ka\u017cde mia\u0142o w\u0142asny osprz\u0119t, komputer i osobnego agenta programistycznego; \u2022 dodano r\u00f3wnoleg\u0142e testowanie r\u00f3\u017cnych pomys\u0142\u00f3w oraz wymian\u0119 skutecznych zmian w kodzie i recepturach treningowych przez Git<\/a>. Dzi\u0119ki temu poprawka wypracowana na jednym stanowisku mo\u017ce bardzo szybko trafi\u0107 do ca\u0142ej floty; \u2022 po przej\u015bciu z jednego agenta do o\u015bmiu wyra\u017anie przyspieszono tempo post\u0119p\u00f3w, co by\u0142o wida\u0107 cho\u0107by w zadaniu Push-T; \u2022 projekt rozwija wcze\u015bniejsze prace Nvidii nad systemem Eureka<\/a> i wpisuje si\u0119 w szerszy kierunek firmy zwi\u0105zany z Project GR00T, Jetson Thor oraz platform\u0105 Isaac.<\/p>\n\n

W najprostszym uj\u0119ciu ENPIRE przypomina Eurek\u0119, ale z jedn\u0105 zasadnicz\u0105 r\u00f3\u017cnic\u0105. Tamten system dzia\u0142a\u0142 wy\u0142\u0105cznie w symulacji, a tutaj wszystko przeniesiono prosto do \u015bwiata fizycznego. Robot nie tylko \u201euczy si\u0119\u201d w modelu, lecz naprawd\u0119 eksperymentuje<\/strong> na realnym stanowisku roboczym.<\/p>\n\n

Badacze w\u0142a\u015bnie to uznaj\u0105 za najmocniejszy punkt ca\u0142ego projektu. Wyj\u015bcie poza symulacj\u0119, z ca\u0142ym ba\u0142aganem \u015bwiata rzeczywistego, wygl\u0105da tu na rzecz naprawd\u0119 istotn\u0105.<\/p>\n\n

Na razie ENPIRE pozostaje wy\u0142\u0105cznie projektem badawczym Nvidii, Carnegie Mellon University i UC Berkeley. Wed\u0142ug zespo\u0142u docelowo system ma zosta\u0107 udost\u0119pniony jako open source<\/strong>. Trzeba jednak pami\u0119ta\u0107, \u017ce skorzystanie z niego w podobnej skali wymaga fizycznego stanowiska roboczego, w\u0142asnego osprz\u0119tu, komputera i agenta programistycznego dla ka\u017cdej stacji. Dok\u0142adnie tak zbudowano osiem stanowisk z robotami YAM u\u017cytych w testach.<\/p>\n\n

Je\u015bli czekasz na kod, pozostaje jeszcze troch\u0119 cierpliwo\u015bci i oczekiwanie na publikacj\u0119. Reszta u\u017cytkownik\u00f3w, przynajmniej na ten moment, te\u017c musi po prostu poczeka\u0107.<\/p>","protected":false},"excerpt":{"rendered":"

Nvidia razem z Carnegie Mellon University oraz UC Berkeley pokaza\u0142a dzi\u015b ENPIRE, czyli projekt o pe\u0142nej nazwie Embodied aNd Physical-world-aware agentIc Robot policy self-ImprovemEnt. To badawczy system, kt\u00f3ry \u0142\u0105czy autonomiczny trening robot\u00f3w z automatyczn\u0105 ocen\u0105 zada\u0144 manipulacyjnych. Najciekawsze jest jednak co innego: wed\u0142ug Nvidii ca\u0142o\u015b\u0107 dzia\u0142a ju\u017c na prawdziwym stanowisku roboczym, nie tylko w symulowanym … Continue reading “Nvidia pokaza\u0142a dzi\u015b ENPIRE: roboty osi\u0105gaj\u0105 do 99 proc. skuteczno\u015bci”<\/span><\/a><\/p>\n","protected":false},"author":9332,"featured_media":51543,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","wpcf-pageviews":0},"categories":[9376],"tags":[],"usertag":[],"vertical":[],"content-category":[9508],"class_list":["post-51544","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","content-category-ai"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t