NVIDIA Isaac GR00T 1.7: nyílt, end-to-end platform humanoid robotpolicyk fejlesztésére

Az NVIDIA bejelentette az Isaac GR00T Development Platformot és a hozzá tartozó, nyílt forráskódú GR00T 1.7 modellt, amelynek célja a humanoid robotok fejlesztési folyamatainak egyesítése a kezdeti bring-uptól a feladatspecifikus viselkedés tanításáig és telepítéséig. A platform az egész fejlesztési csővezetéket lefedi: környezet-összeállítást, adatrögzítést, policy-tanítást, értékelést és telepítést.

Miért fontos ez

A humanoid robotok fejlesztése továbbra is összetett, és a jelenlegi pipeline-ok gyakran fragmentáltak — különálló eszközökre, adatformátumokra és kézi integrációkra támaszkodnak. Ennek következtében a fejlesztők sok időt töltenek az infrastruktúra konfigurálásával, mielőtt a robot képességeinek fejlesztésére koncentrálhatnának. Az Isaac GR00T célja, hogy egy moduláris, teljesen nyílt ökoszisztémát kínáljon, amely csökkenti az integrációs költségeket és felgyorsítja a fejlesztést.

A platform komponensei és szerepük

A GR00T fejlesztési munkafolyamat több, egymásra épülő szakaszból áll, és az NVIDIA szoftvereszközök adják a referencia stacket:

• Simulation Environment Setup: NVIDIA Isaac Lab-Arena — szimulációs környezet létrehozása adatokhoz, tanításhoz és teszteléshez.
• Data Creation: NVIDIA Isaac Teleop — demonstrációs adatok rögzítése (például VR alapú teleoperációval).
• Policy Training: NVIDIA Isaac GR00T 1.7 + training script-ek — humanoid policy-k tanítása szimulációs és valós demonstrációs adatokkal.
• Policy Evaluation: NVIDIA Isaac Lab-Arena — policy-k tesztelése szimulációban a valós telepítés előtt.
• Policy Deployment: NVIDIA Isaac ROS + Jetson Thor — modellek exportja LEAPP bundle-be, majd valós idejű, eszközön futó inferencia és vezérlés.

A platform moduláris: csapatok használhatnak egyes komponenseket vagy az egész csővezetéket, illetve integrálhatják saját eszközeiket a validált NVIDIA stackkel.

GR00T 1.7: tulajdonságok és újdonságok

• Licenc és elérhetőség: GR00T 1.7 nyíltan elérhető Apache 2.0 licenc alatt; modell és súlyok közzétéve GitHubon és Hugging Face-en, a base checkpoint körülbelül 3 milliárd paraméteres.
• Multimodális VLA modell: vision-language-action modell, amely képeket, nyelvi instrukciókat és robotállapotot fogad, és akciókat produkál többféle környezetben és megtestesülésen (cross-embodiment).
• Pretraining: a modellt körülbelül ~32 000 órányi valós demonstrációs és emberi ego-centrikus adaton, valamint ~8 000 órányi szimulált rollouton és demonstráción (BEHAVIOR, RoboCasa, Simulated GR-1) előtréningezték, hogy emberibb mozgást és általánosítható manipulációs priorokat biztosítson.
• Új VLM backbone: a Cosmos-Reason2-2B (Qwen3-VL architektúra) váltotta az Eagle backbont, ami rugalmas felbontást és natív képarány-kódolást támogat padding nélkül.
• Kiterjesztett telepítési támogatás: teljes pipeline export ONNX és TensorRT formátumba, jobb export megbízhatóság és gyakoribb frissítések.
• Teljesítményjavulás: jobb hosszú távú feladattervezés task- és alfeladat-szintű dekompozíción keresztül, növelt megbízhatóság, mozgásminőség és cross-embodiment generalizáció.
• Benchmark javulások: a GR00T 1.7 következetes javulást mutat a DROID és SimplerEnv benchmarkokon az előző N1.6 verzióhoz képest (például DROID-F0 +10%, DROID-F6 +61%, SimplerEnv Bridge +5%, Fractal +2%).

Hogyan kezdhető el: példa pick-and-place munkafolyamat

A cikk bemutat egy gyakorlati szimulációs munkafolyamatot, amely egy egyszerű alma felvétel- és lerakás (pick-and-place) feladatot valósít meg a GR00T platform és a GR00T 1.7 modell használatával. A lépések röviden:

1. Környezet felállítása Isaac Lab-Arena-ban: jelenet összeállítása robot- és objektum-assetekkel, feladat definiálása, teleoperációs eszköz választása. A példában a robot egy polc előtt áll, és egy almát helyez a tányérra; a Whole Body Controllerként az AGILE WBC-t használják (nem járás alatt álló feladatokhoz előnyös).
2. Demonstrációk gyűjtése Isaac Teleop-pal: VR headset és CloudXR kliens használatával demonstrációk rögzítése. A mintában 400 trajectory-t gyűjtöttek, de kisebb adathalmazzal is érdemes kezdeni. A demonstrációk HDF5 fájlba mentődnek.
3. Adatformátum konverzió: a GR00T 1.7 LeRobot formátumot vár, ezért az Arena konténerben konvertálják az HDF5-öt LeRobot parquet, MP4 és meta fájlokká egy YAML konfiguráció alapján.
4. Post-training: a finomhangolás (post-training) külön repository-ban fut, ahol a vizuális backbone, a projector és a diffusion modell tanul; a nyelvi modell marad fagyasztva. Példaparaméterek: globális batch-size 12, max-steps 20000, GPU-k száma, mentési beállítások stb.
5. Értékelés: a finomhangolt checkpointot GR00T szerverbe töltve, az Arena kliens zárt hurkú lekérdezéssel futtatja a policy-t szimulációban, és konzolra írt metrikák (például success_rate, object_moved_rate) mutatják a teljesítményt. A gyors smoke-test például --num_steps 600 beállítással fut.

A teljes munkafolyamat során az egyes lépések tiszta artefaktumokat állítanak elő, amelyek közvetlenül szolgálják a következő fázist, így az end-to-end fejlesztés folyamatos és reprodukálható.

Növekvő ökoszisztéma és partnerségek

A GR00T platformot és referencia-munkafolyamatot már több szereplő adaptálja:

• Humanoid gyártók és AI szolgáltatók: 1X, Agility, ANYBotics, Bellboy Robotics, FieldAI, Lightwheel AI, NEURA Robotics, Nexuni, Noble Machines, Schaeffler, Skild AI, Techman Robot.
• Kutatóintézetek: Stanford, Carnegie Mellon University (CMU), University of California San Diego (UCSD), ETH Zürich, Allen Institute for AI (AI2).
• Wearable és XR eszközgyártók, amelyek natív támogatást kínálnak Isaac Teleop számára: Haptikos, Manus, Noitom, OpenGraph Labs, PICO, Sensing, HTC Vive, Wuji, Xsens.

Ezek a partnerek az Isaac Teleop, Isaac Sim, Lab és ROS komponenseket integrálva gyorsítják fejlesztési folyamataikat és a robotok ipari alkalmazásba hozatalát.

Elérhetőség és további források

A GR00T platform és a GR00T 1.7 modell ma elérhetők: a kód és modellek GitHubon és Hugging Face-en találhatók. Az NVIDIA részletes, end-to-end referencia anyagot és oktatóanyagokat is közzétett (How to Develop and Deploy Humanoid Robots End-to-End with NVIDIA Isaac GR00T, GR00T Platform Introduction Video), valamint blogposztokat és launchable-eket LeRobot integrációról és használatról.

Az Isaac GR00T célja, hogy könnyebben reprodukálható, moduláris és nyílt platformot biztosítson a humanoid robotok képességeinek fejlesztéséhez, felgyorsítva a kutatás és a gyakorlati alkalmazás közötti átmenetet.