NVIDIAリサーチはICRA 2025で28本の採択論文のうち8本を発表し、シミュレーションから現実世界への転用（sim-to-real transfer）を軸に、複数アームの協調制御や異なるロボット形状への汎化、把持精度の向上など幅広い課題に取り組んだ。これらの研究はロボットが実環境で適応・汎化・安定稼働する基盤を示している。
ロボティクスは新たなフェーズに入っている。制御されたデモやスクリプト化された自動化から、現実世界での汎用的かつ信頼性の高い身体的自律性へと移行しつつある。
国際ロボティクス・オートメーション会議（ICRA）において、NVIDIAリサーチの採択論文28本のうち8本が、シミュレーションから現実世界への転用がいかにしてその転換の基盤となるかを示した。これらの研究はロボットが動的で非構造化された環境を知覚・推論・計画・行動できるよう支援するものだ。
各論文はロボット開発者が直面する課題全体にわたっており、複数アームの並列協調、異なるロボット形状をまたいだポリシーの汎化、雑然とした環境での新規物体の把持などが含まれる。
一貫したテーマは明確だ。sim-to-realは、ラボの外でも適応・汎化・安定稼働できるロボットの基盤になりつつある。
アームの協調、機体のナビゲーション、物体の把持
製薬ラボをロボットアームが運営する場面を想像してほしい。チューブの取り上げ、液体の移送、試薬の混合——各ステップに異なる時間がかかり、すべてに慎重な協調が求められる。
従来のロボットスケジューリングソフトウェアは、こうしたステップを1本のアームずつ順次処理する。
「ScheduleStream」はGPU上で計算を並列実行することでこれを刷新し、複数のアームが動作を同時に計画・実行できるようにする。その結果、NVIDIA JetsonエッジAIプラットフォームなどのハードウェア上で、マルチアーム計画シナリオにおいて3倍の高速化を実現した。このフレームワークのコードはGitHubで公開されている。
空間内をナビゲートする——障害物を避けながら目的地にたどり着く——ロボットは通常、1つの機体形状でその動作を学習する。同じナビゲーションソフトウェアを異なる形状のロボットに移植すると、各部位の動き方が異なるため、多くの場合うまく機能しなくなる。
「COMPASS」ポリシーフレームワークはこの問題を解決する。まず模倣学習（imitation learning）でベースとなるナビゲーション機能を構築し、次にNVIDIA Isaac Lab内での残差強化学習（residual reinforcement learning）を用いて多様なロボット形状向けの専門モデルを構築する。重要なのは、いずれの段階でも実世界のロボットデータを一切使用しない点で、すべてIsaac Labシミュレーション内で学習が完結する。
模倣学習のベースラインと比較して、COMPASSは4.5倍の性能向上を達成した。
COMPASSはエージェント対応設計で専用スキルを備えており、開発者はNVIDIA Omniverse NuRecと連携してパイプラインを接続し、新環境のデジタルツイン内でロボットを事前検証・ポストトレーニングしてからデプロイすることができる。
「Grasp-MPC」はロボットが物体に近づく際の動作をリアルタイムで継続的に修正しながら把持動作を適応的に計算する。あらかじめ計算した軌道に固定する従来の方式とは異なるアプローチだ。
