Flujo de entrenamiento de simulación a robot para Microduck con Isaac Lab 3.0

En una guía comunitaria publicada en el blog de Hugging Face el 21 de octubre de 2026, colaboradores de NVIDIA explicaron un flujo de entrenamiento que va de la simulación al hardware real para el robot Microduck de Pollen Robotics y Hugging Face, con Isaac Lab 3.0 y Newton. La guía recorre paso a paso cómo simular una política de marcha con GPU, evaluarla y transferirla al robot físico como archivo ONNX.

¿Qué entornos de entrenamiento hay disponibles para Microduck?

Isaac Lab incluye el modelo del robot Microduck, así como definiciones de escenas, observaciones y acciones, ajustes de recompensa y opciones de aleatorización. Además de la tarea de marcha sobre terreno llano, ofrece una opción para terrenos irregulares que incluye escaleras, pendientes y superficies desiguales. Según la guía, la política utiliza 61 valores de observación y genera 14 posiciones articulares.

La interfaz utilizada en la simulación debe ser coherente con la política exportada y cargada en el robot. En particular, el orden de las observaciones, la normalización y la escala de las acciones deben coincidir con los ajustes del entrenamiento. Estas condiciones ayudan a conservar, durante la fase de hardware, la estructura de entradas y salidas que la política aprendió durante el entrenamiento.

¿Cómo influyen Newton y la aleatorización en la simulación?

La guía utiliza el solver MJWarp de Newton y Better Actuator Models (BAM), basados en Newton. Este enfoque busca representar en la simulación el comportamiento de los servos. También incorpora un ajuste de holgura de engranajes para incluir en los escenarios de entrenamiento el juego mecánico de las articulaciones.

Para preparar la política ante distintas condiciones físicas, durante el entrenamiento se varían la masa y el centro de gravedad, la fricción del suelo, las inercias articulares, los offsets de los encoders, el voltaje de la batería y el retardo de los comandos. También se modifican las condiciones del terreno y se aplican empujes a los robots. Estas variables amplían la variedad de situaciones que pueden surgir en la simulación; para lograr un buen rendimiento en el hardware real, la guía destaca la importancia de transferir correctamente los ajustes de recursos, observaciones y acciones.

Entrenamiento con GPU y transferencia al robot mediante ONNX

Isaac Lab puede ejecutar en paralelo entornos de simulación en la GPU. La guía informa de un rendimiento de entrenamiento de hasta 1,25 millones de pasos por segundo con terreno irregular y holgura de engranajes activados. Los comandos de ejemplo utilizan 4.096 entornos de simulación; también se explica cómo distribuir el entrenamiento entre 16 GPU. Estas cifras corresponden a la configuración de la guía y no garantizan los mismos resultados en otro hardware.

Al evaluar la política, el flujo de reproducción RSL-RL de Isaac Lab exporta automáticamente archivos TorchScript y ONNX. Para transferirla a un Microduck real se utiliza el archivo ONNX. La guía también explica cómo copiar y cargar el archivo en el robot y probar acciones como ponerse de pie, caminar despacio, girar y detenerse.

Las políticas ONNX pueden enviarse a Microduck Arena para compararlas en tareas compartidas. Arena acepta modelos con 61 valores de observación y 14 de acción, y un tamaño máximo de 64 MiB. La guía también contempla la opción de compartir la configuración de entrenamiento y el modelo en Hugging Face Hub.

Efectos en los flujos de trabajo de arquitectura y visualización

El enfoque de esta guía no es el modelado arquitectónico, sino el entrenamiento robótico y la transferencia a un robot real de una política desarrollada en simulación. Por eso, más que ofrecer una función directa de diseño arquitectónico o visualización, presenta un flujo de entrenamiento práctico para equipos que trabajan en robótica e inteligencia artificial física. La fuente también señala que, más adelante, podrían explorarse tareas de percepción con profundidad de cámara y distintos ejemplos de manipulación.

Los equipos que quieran evaluar este flujo de trabajo deben comprobar primero los requisitos de hardware: para entrenar se necesita una estación de trabajo Linux, una GPU NVIDIA compatible y el controlador correspondiente. La guía describe Isaac Lab como un framework de código abierto, pero no especifica los detalles de la licencia ni el costo total. Por ello, es importante revisar por separado la compatibilidad técnica y las condiciones de licencia.