Robôs treinados em simulação dominam o mundo real: as 8 pesquisas da NVIDIA na ICRA 2026

A robótica está vivendo um ponto de virada decisivo. Durante anos, demonstrações impressionantes ficaram restritas a laboratórios ou a tarefas rigidamente programadas em fábricas. Agora, uma nova safra de pesquisas da NVIDIA mostra que robôs treinados em simulação estão começando a funcionar de verdade em ambientes imprevisíveis e bagunçados. Na Conferência Internacional de Robótica e Automação (ICRA) de 2026, a NVIDIA Research apresentou 28 artigos aceitos — oito deles focados em como a transferência simulação-real está ajudando robôs a perceber, raciocinar, planejar e agir em cenários dinâmicos .

O fio condutor é claro: treinar em simulações de alta fidelidade, em vez de coletar milhões de demonstrações no mundo real a um custo altíssimo, está se tornando a base escalável para uma autonomia confiável fora do laboratório .

Os oito artigos: um empurrão de ponta a ponta para o mundo real

Os oito trabalhos abordam coletivamente os principais desafios que os desenvolvedores de robôs enfrentam hoje, desde a coordenação de múltiplos braços até o raciocínio visão-linguagem-ação.

ScheduleStream: planejamento 3x mais rápido com múltiplos braços

O software tradicional de agendamento robótico processa os braços de forma sequencial, criando gargalos em células com vários manipuladores. O ScheduleStream executa os cálculos em GPUs, permitindo que vários braços planejem movimentos e operem em paralelo. Rodando na plataforma de IA de borda NVIDIA Jetson, ele entregou um ganho de velocidade de 3x em cenários de planejamento multi-braço. A estrutura de código é aberta e está disponível no GitHub .

COMPASS: navegação entre diferentes corpos com 80% de sucesso real

Construir robôs que navegam independentemente do tipo de corpo — robôs móveis com rodas, humanoides — é notoriamente difícil. A estrutura de política COMPASS primeiro treina uma política básica de navegação por aprendizado por imitação e depois usa aprendizado por reforço residual no NVIDIA Isaac Lab para criar políticas especializadas para diferentes modelos — tudo em simulação. Em comparação com as linhas de base de aprendizado por imitação, o COMPASS alcançou uma melhoria de 4,5x na taxa média de sucesso. Ele também foi transferido de forma transparente para o mundo real, demonstrando cerca de 80% de sucesso em 20 testes de navegação com robôs móveis autônomos e humanoides .

Grasp-MPC: agarre adaptativo que corrige o movimento no meio do caminho

Planos de agarre fixos falham quando objetos se movem ou quando a estimativa inicial do robô está ligeiramente errada. O Grasp-MPC corrige continuamente o movimento do robô conforme ele se aproxima de um objeto. Os pesquisadores geraram 2 milhões de trajetórias simuladas em 8.000 objetos usando o conjunto de dados GraspGen e o cuRobo, uma biblioteca de geração de movimento acelerada por CUDA. Em robôs reais, ele alcançou cerca de 75% de sucesso geral de agarre, contra uma linha de base de 41% .

Manipulação de aglomerados deformáveis: limpeza de desordem sem treino extra

Manipular materiais flexíveis e emaranhados — como galhos sobre linhas de energia — exige mais do que uma garra de precisão. Os pesquisadores da NVIDIA treinaram políticas para usar o braço inteiro para varrer esses aglomerados, usando milhares de árvores sintéticas nas estruturas de simulação Isaac. O resultado: as políticas foram implantadas diretamente em galhos reais, sem nenhum treinamento adicional (zero-shot) .

PEEK: visão focada traz um salto de precisão de 41x

Distrações na imagem da câmera do robô podem atrapalhar até mesmo políticas de manipulação bem treinadas. O PEEK usa um modelo de visão-linguagem para ler uma instrução de tarefa e focar a visão do robô nos objetos relevantes, esmaecendo todo o resto. Quando adicionado a uma política treinada puramente em simulação, o PEEK produziu uma melhoria de precisão de 41x no mundo real. Para grandes modelos de visão-linguagem-ação (VLA), os ganhos variaram de 2 a 3,5x. O PEEK se integra a qualquer política baseada em câmera sem precisar de modificações .

Do What You Say (SEAL): fechando a lacuna entre raciocínio e ação

A estrutura SEAL — uma colaboração com a Universidade Carnegie Mellon, a Universidade de Utah e a Universidade de Sydney — corrige um modo de falha incrivelmente comum: o modelo raciocina corretamente, escolhe o plano certo, mas executa algo diferente. O SEAL gera várias sequências de ações candidatas, simula aonde cada uma leva e seleciona a que melhor corresponde à intenção declarada. Ele oferece ganhos de precisão de até 15% em relação a trabalhos anteriores e é robusto a instruções reformuladas, ambientes bagunçados e mudanças de ângulo da câmera .

Refinery: montagem sequencial com 91% de sucesso em simulação

Para montagens de múltiplas peças, o resultado de cada etapa molda a etapa seguinte. O Refinery treina políticas que entendem essas dependências, aprendendo em centenas de cenários simulados. Ele atinge 91% de sucesso em simulação e uma melhoria média de quase 11% sobre as linhas de base, com políticas que se encadeiam para construir sequências de montagem longas e complexas .

Aprendizado por reforço baseado em visão para tarefas humanoides hábeis

Uma receita separada de aprendizado por reforço simulação-real, baseada em visão, treinou um robô humanoide para tarefas de agarre-e-alcance, levantamento de caixa e passagem de objeto bimanual. A abordagem demonstrou altas taxas de sucesso em objetos nunca vistos, com comportamentos robustos e adaptáveis — reforçando que a manipulação hábil baseada em visão via RL simulação-real é não apenas viável, mas também escalável .

As plataformas por trás disso: GR00T, Cosmos, Newton, cuMotion e Jetson

Os oito artigos se apoiam em várias plataformas da NVIDIA que transformam a simulação em um ambiente de desenvolvimento prático de ponta a ponta:

• NVIDIA Isaac GR00T: Uma iniciativa de pesquisa e plataforma de desenvolvimento para modelos de fundação de robôs de propósito geral, com modelos abertos (a série GR00T N) para raciocínio e controle humanoides, estruturas de simulação construídas no Omniverse e Cosmos, e o computador de borda Jetson AGX Thor .
• NVIDIA Cosmos World Models: Uma plataforma de modelos de fundação de mundo generativos de última geração para construir "mundos" personalizados em escala, apoiando a geração de dados sintéticos e a avaliação de políticas inteiramente em simulação .
• Motor de Física Newton 1.0: Um motor de física de código aberto acelerado por GPU, co-desenvolvido com o Google DeepMind e a Disney Research, já disponível no NVIDIA Isaac Lab para criar robôs mais capazes e adaptáveis .

Parceiros colocando a eficiência simulação-real para funcionar

Toyota Research Institute reduz a dependência de dados reais

O Instituto de Pesquisa da Toyota (TRI) personalizou os modelos de fundação de mundo NVIDIA Cosmos para síntese dinâmica de pontos de vista e teleoperação de robôs, reduzindo a quantidade de dados do mundo real necessária para treinar políticas de manipulação baseadas em visão .

Mimic Robotics: eficiência amostral 10x melhor

A Mimic Robotics desenvolveu um modelo de vídeo-ação usando as plataformas da NVIDIA que alcança uma eficiência amostral 10x melhor e uma convergência 2x mais rápida em tarefas de manipulação no mundo real, cortando drasticamente o número de demonstrações reais, que são caras e demoradas .

Doosan Robotics adiciona paletização com consciência de contexto

A Doosan usa o NVIDIA Cosmos Reason para permitir que robôs de paletização analisem o conteúdo das caixas, detectem danos e ajustem o manuseio com base no peso e na fragilidade — viabilizando uma tomada de decisão consciente do contexto sem um treinamento exaustivo com dados do mundo real .

O cenário mais amplo: de demos programadas para a autonomia incorporada

A NVIDIA enquadrou esse conjunto de trabalhos como parte de uma mudança fundamental na indústria da robótica:

"A robótica está entrando em uma nova fase: deixando de lado demonstrações controladas e automação programada para alcançar uma autonomia incorporada generalizável e confiável no mundo real" .

A transferência simulação-real não é mais uma mera curiosidade acadêmica. Os oito artigos da ICRA mostram que essa abordagem está enfrentando toda a cadeia de desafios: coordenação paralela de múltiplos braços, generalização de políticas entre diferentes corpos, agarre de objetos novos em ambientes bagunçados, manipulação zero-shot de materiais deformáveis, montagem sequencial precisa e modelos de visão-linguagem-ação que raciocinam antes de se mover . A mensagem é inequívoca: o treinamento baseado em simulação — em vez da dependência de uma quantidade massiva de demonstrações humanas no mundo real — é o caminho escalável para termos robôs que funcionam de forma robusta em ambientes dinâmicos e não estruturados.