机器人练精细装配不再只靠真机：Isaac Lab 3.0 接上 Newton，训练吞吐最高达 2.5 倍
核心概要
英伟达在 CoRL 上发布开源机器人技术组合，包括基于 Cosmos 的世界动作模型 GR00T 2、仿真框架 Isaac Lab 3.0 与评估框架 Isaac Lab-Arena。Isaac Lab 3.0 与开源物理引擎 Newton 更紧密集成，可模拟线缆、布料等可变形物体和多关节机械手；在基于视觉的灵巧操作基准上，Isaac Lab 3.0 配 Newton 的训练吞吐最高达到 Isaac Lab 2.3 配 PhysX 的 2.5 倍。GR00T 2 在每项任务仅一条演示时于 50 项任务上平均成功率为 71%，五条演示时升至 95%。
深度剖析
机器人学习的仿真重点正从行走、翻滚、跳跃等运动任务转向齿轮对齐、线缆连接和小零件装配这类需要更精细手感的操作任务，英伟达在 CoRL 上发布的一批开源工具面向的正是这一转变。 此前的仿真主要作为机器人学习运动技能的试验场，而精细操作对物理精度和数据规模提出了不同要求。 英伟达同时公布了世界动作模型、仿真工具、基准和智能体工作流，并与 Ambi Robotics、Bosch Research、Siemens、UC Berkeley 等伙伴合作把这些技术推向更广的机器人社区。
Isaac Lab 3.0 让研究者用智能体快速搭建训练环境，在 PhysX 与 Newton 两种物理求解器之间切换，并为 GR00T 等基础模型提供新的强化学习后训练库。 与 Newton 的更紧密集成使 Isaac Lab 能够建模线缆、布料等可变形物体，以及多关节相互作用的机械手等复杂铰接系统。 在基于视觉的灵巧操作基准上，Isaac Lab 3.0 配 Newton 的训练吞吐最高达到 Isaac Lab 2.3 配 PhysX 的 2.5 倍，二者结合可并行训练数千个仿真机器人。
基于 Isaac Lab 构建的 AlphaNIST 用单一策略学会 NIST 装配任务板上的全部 20 项任务，仅凭成功或失败的二元信号操作毫米级零件。 按任务分别训练的策略在同一任务板上训练成功率为 81%。 AlphaNIST 的训练成功率超过 98%，且所用 GPU 时间约为前者的 1/39；其背后的 Success-Guided Sampling 把练习集中在策略成功率约一半的任务上，使训练可扩展到百万级并行环境。
启示与展望
已展示的范围集中在仿真环境中的训练与评估：Isaac Lab 3.0 与 Newton 的吞吐对比来自基于视觉的灵巧操作基准，AlphaNIST 的结果来自 NIST 装配任务板的 20 项任务，GR00T 2 的成功率来自 50 项评估任务。面向的读者是机器人学习研究者与工程团队，Nexuni、Foxconn、Siemens 等对 GR00T 2 的使用处于测试、应用或评估阶段。
GR00T 2 的 71% 与 95% 平均成功率分别对应每项任务一条和五条演示，二者是不同数据条件下的结果；Isaac Lab-Arena 0.4 以开发者预览形式发布；DexBench 的部分评估方（Genesis AI、mimic robotics 等）处于早期访问阶段。