强化学习（RL）是物理 AI 中令人兴奋的核心主题。它为训练机器人大脑提供动态且自适应的策略，支撑过去十年机器人领域一部分最引人注目的发展。

本教程将介绍：

• 学习物理 AI，及其如何改变机器人学习和执行任务的方式。

• 阐述强化学习的基本原理，及其与基于 Isaac Sim 和 Isaac Lab 的机器人技术的关联性。

• 识别及配置 Isaac Lab 中 RL 任务的关键组件。

• 在仿真环境中，使用倒立摆，应用 Isaac Lab 工作流，对机器人控制策略进行训练、评估和优化。

• 分析已学习策略的训练结果。

1. 物理 AI 与未来机器人

随着机器人能力不断提升，训练机器人的方式也必须随之演进。

强化学习可以通过在仿真中覆盖大量不同场景的方式进行训练，帮助机器人更好地适应真实世界。还可以先在仿真环境中严格测试机器人行为，而不用冒着让昂贵原型机碰撞损坏的风险。

本教程使用 NVIDIA GPU 加速的机器人开发工具，包括用于仿真的 Isaac Sim，以及用于强化学习的 Isaac Lab 框架，训练机器人大脑。

上面是本教程中训练的策略示例 - 在仿真环境中，一组倒立摆小车保持平衡。