Nvidia-onderzoekers stellen robots in staat om zichzelf te trainen met behulp van AI-code-agents

De flessenhals van handmatige gegevensverzameling en constante menselijke interventie in de robotica wordt eindelijk aangepakt. Door gebruik te maken van AI-code-agents hebben onderzoekers een systeem ontwikkeld waarbij robots autonoom hun eigen trainingscode kunnen schrijven en hun behendigheid in echte omgevingen kunnen verfijnen.

Het handmatige knelpunt doorbreken met ENPIRE

Traditioneel vereist het aanleren van complexe taken aan een robot, zoals behendig grijpen, dat menselijke ingenieurs scènes resetten, datasets verzamelen en algoritmen handmatig aanpassen. Dit arbeidsintensieve proces vormt een enorm wrijvingspunt bij het opschalen van robotintelligentie. Om dit op te lossen, hebben onderzoekers van Nvidia, Carnegie Mellon University en UC Berkeley ENPIRE geïntroduceerd, een framework dat het trainingsproces transformeert in een zelfvoorzienende feedbackloop.

In plaats van te wachten op menselijke instructies, gebruikt het ENPIRE-systeem AI-code-agents om de volledige levenscyclus te beheren: het resetten van de werkruimte, het uitvoeren van een bewegingsstrategie, het evalueren van de uitkomst en het onmiddellijk itereren op de code om de prestaties te verbeteren. Dit verplaatst robotica van "human-in-the-loop" naar "agent-in-the-loop".

Hoe autonome code-agents behendigheid stimuleren

Het ENPIRE-framework werkt in twee afzonderlijke fasen. In de eerste fase stelt de agent een werkruimte in met minimale menselijke begeleiding — vaak slechts enkele minuten video die succesvolle en mislukte pogingen laten zien. Cruciaal is dat de agent zijn eigen beloningsfuncties (reward functions) schrijft. Tijdens taken zoals het inbrengen van pinnen ontwikkelde de agent bijvoorbeeld een aangepaste controle die visuele uitlijning, grijperhoogte en geschatte kracht combineert om succes te bepalen.

In de tweede fase werken de agents met volledige autonomie. Ze lezen wetenschappelijke artikelen, formuleren hypothesen en bewerken de trainingscode rechtstreeks. Ze kunnen kiezen tussen methoden zoals behavior cloning (het nabootsen van menselijke bewegingen) of reinforcement learning (trial-and-error), afhankelijk van welke aanpak betere signalen in de echte wereld oplevert. Tijdens het testen gebruikten de onderzoekers high-performance modellen, waaronder Codex (met GPT-5.5), Claude Code (met Opus 4.7) en Kimi Code (met Kimi K2.6), waarbij Codex als de beste presteerder naar voren kwam.

Opschalen via een Git-ondersteunde robotvloot

One of the most innovative aspects of this research is the coordination of a fleet of eight dual-arm YAM robot stations. Rather than working in isolation, these stations act as a distributed research team. They share their findings, successful "recipes," and failed hypotheses using Git, the standard version control tool used in software engineering.

This fleet-based approach yields massive temporal gains:

The Reality Gap: Simulation vs. Hardware

Despite these breakthroughs, the research highlights the "sim-to-real" gap. While all three tested agents solved the Push-T test in simulation, two out of three failed when transitioned to physical hardware due to unpredictable variables like friction and robot dynamics. However, ENPIRE demonstrated superior performance in the RoboCasa simulation compared to established models like GR00T.

As the industry moves toward general-purpose robotics, the ability for machines to "self-research" through code will be the key to moving beyond narrow, pre-programmed motions toward true, adaptable intelligence.

Key Takeaways