把导航能力从一台机器人迁移到新机型或新场景，通常需要重新采集数据、准备仿真资产、适配机器人接口并重复训练与调试，成本高且难以复现。NVIDIA 提出的 COMPASS（Cross-Embodiment Mobility Policy via Residual RL and Skill Synthesis）框架希望改变这一局面：它复用预训练 X-Mobility 策略已有的导航行为，只针对目标机器人与环境训练一个残差强化学习专家策略来修正基础动作，而不是从零开始重新学习导航。
在 COMPASS 中，多个单形态专家策略的数据可以进一步蒸馏为共享的跨形态策略，实现“一次演示、多形态复用”。框架以波士顿动力 Spot 四足机器人为参考机型，场景来源包括内置仓库场景、由 SAGE-10K 数据集（覆盖 50 种房间类型、共 1 万个生成室内场景）生成的场景，以及由 Omniverse NuRec 重建的真实部署环境。
整个训练流程由 AI 编码智能体驱动：开发者只需定义机器人、场景来源与导航目标，编码智能体通过仓库技能完成依赖校验、资产准备、冒烟测试、训练启动、故障诊断与检查点对比，并在场景验收、单环境冒烟测试和检查点提升等关键节点停留等待人工审批，每个阶段都会产出可审查的证据记录。
在硬件层面，COMPASS 参考栈基于 NVIDIA Isaac Lab 3.0 与 Isaac Sim 6.0，推荐配置为 32 GB 内存以上、16 GB 显存以上的 RTX GPU 环境；当机器人缺少兼容的里程计时，可用 CUDA 加速的 cuVSLAM 视觉里程计与同步定位建图库提供部署期里程数据。
训练完成后的导航策略与机器人控制器在运行时并不依赖编码智能体，直接由机器人本体执行。这一工作流把跨形态机器人策略开发的重复环节交给智能体编排，让人工聚焦在场景选择与结果验收上，为多机型机器人导航策略的规模化开发提供了可复现的路径。
WeChat
Profile