Ich programmiere NVIDIA Isaac Sim und Reinforcement Learning im Isaac Lab


Über diesen Service
Automatische Übersetzung
GPU-beschleunigte Simulationen & Reinforcement-Learning-Pipelines in NVIDIA Isaac Sim bereitstellen
Brauchst du modernstes Reinforcement Learning (RL) oder physikgenaue Simulationen für Quadrupeds, Bipeds oder komplexe Manipulatoren? Ich konfiguriere NVIDIA Isaac Sim und Isaac Lab (ehemals Orbit), um hochpräzise Trainingspipelines aufzubauen.
**Was ich anbiete:**
* **Asset-Import (URDF zu USD):** Import deiner CAD-Modelle/URDFs in OpenUSD, Feinabstimmung von Physikmaterialien, Massenparametern und Kollisionsnetzen.
* **Isaac Lab Gym Aufgaben:** Erstellung individueller Reinforcement-Learning-Umgebungen, Einrichtung von Action-/Observation-Räumen und Gestaltung von Belohnungsfunktionen.
* **RL-Policy-Training:** Training stabiler Policies mit Stable-Baselines3, rsl_rl oder eigenen PPO-Algorithmen mit CUDA-beschleunigten parallelen Umgebungen.
* **ROS2-Brücke & Sim-to-Real:** Einrichtung von Kommunikationsbrücken, um trainierte neuronale Netz-Policies auf echte Hardware zu übertragen.
**Lieferumfang:**
* Dokumentierter Python-Arbeitsbereich.
* USD-Dateien & individuelle Aufgaben-Skripte.
* Vorgetrainte Modellgewichte.
* Docker-Umgebung.
*Bitte kontaktiere mich vor der Bestellung, um deine Roboter-DoF und RL-Aufgaben zu besprechen!*
Lerne Jiten T kennen
Robotics Engineer
- AusIndien
- Mitglied seitFeb. 2026
- ⌀ Antwortzeit1 Stunde
- Letzte Lieferung1 Monat
Sprachen
Englisch, Gujarati, Hindi
Automatische Übersetzung
Meine weiteren Dienstleistungen im Bereich KI-Entwicklung
FAQ
Automatische Übersetzung
Q: Warum empfiehlst du NVIDIA Isaac Sim gegenüber Gazebo für KI-Training?
A:** Isaac Sim basiert auf NVIDIA Omniverse und nutzt die PhysX-Physik-Engine, die direkt auf der GPU läuft. Damit kannst du Tausende von Robotern parallel simulieren und die Trainingszeiten für reinforcement learning von Wochen auf Stunden verkürzen.
Q: Wie übertragen wir die trainierte Policy auf einen echten Roboter?
A:** Ich richte das Policy-Inferenz-Skript in Python/C++ ein, um Echtzeit-Gelenkzustände deiner Hardware (über ROS2 oder serielle Kommunikation) auszulesen, durch das trainierte Modell zu schicken und Ziel-Torques oder Geschwindigkeiten an die Motoren zurückzugeben.
Q: Gestaltest du die Belohnungsfunktionen für das Reinforcement Learning?
A:** Ja. Ich passe die Belohnungsfunktionen an deine Aufgabe an. Zum Beispiel bei Quadruped-Walking beinhalte ich Belohnungen für Zielverfolgungsgeschwindigkeit, Stabilität der Körperhöhe und Fußkontakt, sowie Strafen für hohe Torques, Gelenkgeschwindigkeits-Spikes und Kollisionen.
Q: Kannst du das Training auf einem headless Server durchführen?
A:** Ja. Ich verpacke den gesamten Isaac Sim-Arbeitsbereich in einen Docker-Container, der headless auf deiner GPU-gestützten Cloud (AWS, GCP) oder deinem lokalen Server läuft, sodass du Modelle über SSH trainieren kannst.

