Isaac ROS 5.0: qué cambia en la plataforma de NVIDIA para construir robots con inteligencia artificial

Construir un robot moderno no consiste solamente en conectar motores, cámaras y sensores. También hay que desarrollar el software que interpreta el entorno, calcula dónde está el robot, reconoce objetos, decide qué hacer y envía órdenes a los actuadores.

Para organizar ese software, buena parte de la industria utiliza ROS, el Robot Operating System. Aunque su nombre incluye la palabra “operating”, ROS no es un sistema operativo como Windows o Linux. Es un conjunto de herramientas y reglas que permite dividir el comportamiento de un robot en distintos programas, conectarlos entre sí y reutilizar componentes.

NVIDIA Isaac ROS es una colección de paquetes de software basada en ROS 2. Su objetivo es acelerar tareas habituales de robótica mediante GPU, modelos de inteligencia artificial y herramientas preparadas para ejecutarse en computadoras NVIDIA, como las placas Jetson que se colocan dentro de robots.

La versión Isaac ROS 5.0, anunciada por NVIDIA el 22 de septiembre de 2026 durante ROSCon en Toronto, intenta dar un paso más: no solo acelerar el procesamiento, sino también ayudar a automatizar parte del trabajo de desarrollo mediante agentes de inteligencia artificial.

EN UNA FRASE: Isaac ROS 5.0 combina una actualización de la infraestructura de ROS 2 con herramientas que buscan que agentes de IA ayuden a crear, migrar y ajustar software robótico.

Qué es ROS 2 y por qué se usa en robótica

Un robot suele tener muchos componentes de software funcionando al mismo tiempo. Un programa recibe imágenes de una cámara; otro calcula la posición del robot; otro detecta objetos; otro planifica una trayectoria; y otro controla los motores.

ROS 2 permite organizar esos componentes como nodos. Cada nodo cumple una función relativamente específica y se comunica con los demás mediante mensajes. Por ejemplo:

1. un nodo recibe imágenes de una cámara;
2. otro analiza esas imágenes y detecta una caja;
3. otro calcula la posición de la caja;
4. otro decide cómo mover el brazo;
5. otro envía las órdenes a los motores.

Esta separación facilita reemplazar una cámara, agregar un sensor o cambiar un algoritmo sin tener que reescribir todo el sistema.

El problema es que los robots generan muchos datos y necesitan responder rápido. Las cámaras pueden producir grandes flujos de imágenes, mientras que los modelos de inteligencia artificial requieren una gran cantidad de operaciones matemáticas. Si los datos se copian repetidamente entre la memoria principal de la computadora y la memoria de la GPU, se pierde tiempo y capacidad de procesamiento.

Por eso, en robótica no basta con que un algoritmo sea preciso. También tiene que ser suficientemente rápido, estable y eficiente para funcionar en tiempo real.

Qué agrega NVIDIA a ROS 2

Isaac ROS aporta paquetes optimizados para tareas frecuentes, entre ellas:

• percepción mediante cámaras;
• localización y mapeo;
• estimación de la posición de objetos;
• reconocimiento del entorno;
• planificación de movimientos;
• procesamiento de imágenes;
• integración con hardware NVIDIA;
• despliegue de modelos de inteligencia artificial en robots.

Una GPU puede ejecutar muchas operaciones en paralelo. Esa característica resulta útil para procesar imágenes y ejecutar redes neuronales, pero solo si los datos llegan a la GPU de manera eficiente.

En versiones anteriores, NVIDIA utilizaba principalmente NITROS, una infraestructura propia para transportar mensajes de ROS de forma acelerada. NITROS permitía reducir copias y conversiones innecesarias entre componentes, especialmente cuando los datos ya estaban en la GPU.

Isaac ROS 5.0 avanza hacia otro mecanismo: rosidl::Buffer con un backend basado en CUDA. El propósito es que los mensajes de ROS 2 puedan transportar datos de manera más eficiente, incluyendo datos almacenados o procesados en la GPU, sin abandonar por completo las interfaces habituales de ROS 2.

El cambio central: de herramientas aceleradas a flujos de trabajo con agentes

La novedad más llamativa de Isaac ROS 5.0 no es un nuevo sensor ni un nuevo modelo de visión. Es la incorporación de agent skills, o habilidades para agentes de inteligencia artificial.

En este contexto, un agente no es un robot físico autónomo. Es un programa capaz de interpretar una tarea y ejecutar una serie de acciones para completar un objetivo dentro del entorno de desarrollo. Puede interactuar con comandos, archivos, paquetes y documentación, siempre dentro de los límites que tenga configurados.

Por ejemplo, en lugar de que un desarrollador tenga que buscar manualmente todos los cambios necesarios para adaptar un nodo antiguo, un agente podría ayudar a:

• preparar el entorno de desarrollo;
• activar los componentes de Isaac ROS;
• migrar nodos a la nueva forma de transportar datos;
• configurar paquetes;
• utilizar modelos de percepción;
• ajustar ciertos modelos a una tarea concreta;
• generar o modificar código relacionado con ROS 2.

La versión 5.0 incluye herramientas y habilidades reutilizables para tareas de este tipo. Entre ellas aparece migrate-node-to-rosidl-buffer, orientada a facilitar la migración de nodos hacia rosidl::Buffer, y isaac-ros-activate, destinada a activar el entorno correspondiente.

La diferencia importante es conceptual. Antes, la aceleración estaba concentrada principalmente en la ejecución: hacer que un algoritmo de visión o localización corriera más rápido. Ahora NVIDIA intenta acelerar también el proceso de construcción del sistema: configurar el entorno, adaptar el código y conectar los distintos componentes.

Eso no significa que el agente pueda diseñar por sí solo un robot completo ni que reemplace la validación de un ingeniero. Su función es más acotada: automatizar tareas repetitivas y asistir al desarrollador.

Qué significa “Physical AI”

NVIDIA utiliza el término Physical AI para referirse a sistemas de inteligencia artificial que perciben y actúan en el mundo físico. Un chatbot trabaja principalmente con texto; un robot, en cambio, debe interpretar imágenes, medir distancias, calcular movimientos y reaccionar ante objetos y personas.

Un sistema de Physical AI necesita combinar varias capacidades:

• percibir el entorno;
• estimar la posición del robot y de los objetos;
• razonar sobre una tarea;
• planificar una acción;
• ejecutar esa acción;
• comprobar si el resultado fue correcto.

Isaac ROS se ubica en la parte de infraestructura que permite conectar esas capacidades con sensores, actuadores y modelos de inteligencia artificial. Las “habilidades” de agente anunciadas en la versión 5.0 están pensadas para ayudar a los desarrolladores a construir esos flujos.

Entre los ejemplos mencionados por NVIDIA aparecen tareas relacionadas con FoundationStereo, para percepción estereoscópica, y FoundationPose, para estimar la posición de objetos. NVIDIA afirma que FoundationPose puede alcanzar una estimación de pose hasta 5,5 veces más rápida en determinados escenarios, aunque la información disponible no detalla todas las condiciones de esa comparación.

La actualización técnica: ROS 2 Lyrical y Ubuntu 24.04

Isaac ROS 5.0 incorpora soporte para ROS 2 Lyrical y Ubuntu 24.04. Una actualización de este tipo puede parecer un detalle de compatibilidad, pero tiene consecuencias prácticas.

Las aplicaciones robóticas dependen de muchas capas: el sistema operativo, los controladores, ROS 2, las bibliotecas de aceleración, los modelos de IA y el hardware. Cuando una de esas capas queda vieja, mantener el conjunto se vuelve más difícil. También puede ser complicado aprovechar nuevas versiones de compiladores, bibliotecas y controladores de GPU.

Adoptar una versión reciente permite:

• trabajar con software más actualizado;
• recibir soporte durante más tiempo;
• utilizar nuevas interfaces de ROS 2;
• reducir la distancia entre la plataforma de desarrollo y las futuras versiones del ecosistema;
• facilitar la incorporación de paquetes que ya nacen para Ubuntu 24.04.

La contracara es que una actualización importante puede exigir cambios en el código. Los nodos y paquetes que funcionaban en versiones anteriores no necesariamente se trasladan sin modificaciones.

rosidl::Buffer: por qué importa el transporte de datos

Para entender el cambio hacia rosidl::Buffer, conviene pensar en el recorrido de una imagen.

Una cámara puede entregar una imagen a un nodo de ROS 2. Ese nodo la envía a otro que ejecuta un modelo de visión. Si la imagen se copia varias veces —por ejemplo, de la memoria de la cámara a la memoria principal, luego a la memoria de la GPU y después nuevamente a la memoria principal— el sistema consume tiempo y recursos.

La idea de un mecanismo de buffer es mantener los datos en una forma que permita a distintos componentes utilizarlos sin copias innecesarias. Al combinarlo con CUDA, la tecnología de NVIDIA para programar sus GPU, los datos pueden circular de manera más directa por las partes aceleradas del sistema.

El objetivo no es simplemente aumentar la velocidad de un nodo aislado. Es mejorar el recorrido completo de los datos entre nodos de ROS 2.

Esto puede ser especialmente relevante en sistemas que procesan:

• video de alta resolución;
• varias cámaras a la vez;
• nubes de puntos;
• imágenes de profundidad;
• mapas tridimensionales;
• resultados intermedios de modelos de inteligencia artificial.

La migración gradual desde NITROS hacia este mecanismo también busca acercar la aceleración de NVIDIA a las interfaces estándar de ROS 2. En teoría, eso puede reducir la necesidad de utilizar caminos completamente específicos de NVIDIA. Sin embargo, la compatibilidad concreta dependerá de cada paquete y de cómo esté escrito el sistema existente.

Partición de la GPU: compartir un recurso sin que un proceso lo monopolice

Isaac ROS 5.0 incorpora el paquete isaac_ros_gpu_partitioning, basado en CUDA MPS.

Una GPU contiene muchas unidades de cálculo. Si varios procesos intentan utilizarla al mismo tiempo, pueden competir por memoria y capacidad de procesamiento. Un proceso pesado podría retrasar a otro que necesita responder rápidamente.

La partición de GPU permite reservar determinadas unidades de procesamiento —conocidas como SM, por streaming multiprocessors— para procesos específicos. Así, por ejemplo, podría asignarse una porción de la GPU a la percepción visual y otra a la planificación o al control.

Esto no convierte una GPU en varias GPU independientes, pero permite distribuir mejor el recurso. En un robot que ejecuta varios flujos al mismo tiempo, puede ayudar a evitar que una tarea ocasionalmente pesada bloquee las demás.

La utilidad de esta función dependerá de la carga de trabajo. También será necesario comprobar cómo se comporta en sistemas con muchos nodos, varias cámaras o restricciones estrictas de tiempo real. La documentación de lanzamiento no establece por sí sola cuáles son los límites de concurrencia ni garantiza un aislamiento absoluto entre procesos.

Nuevos nombres y herramientas de mantenimiento

La versión 5.0 también cambia el nombre de isaac_ros_visual_slam a isaac_ros_cuvslam.

SLAM significa Simultaneous Localization and Mapping: localización y mapeo simultáneos. Es la técnica mediante la cual un robot construye un mapa del entorno mientras estima dónde se encuentra dentro de ese mapa.

El nuevo nombre refleja con mayor precisión que el paquete utiliza cuVSLAM, la biblioteca de NVIDIA sobre la que se apoya. El cambio no representa necesariamente una nueva capacidad de navegación, pero ayuda a alinear el nombre del paquete con su implementación subyacente.

Estos detalles pueden parecer menores, aunque son importantes para quienes mantienen sistemas durante años. Un nombre coherente facilita encontrar documentación, identificar dependencias y distinguir un componente de otro.

Qué había antes y qué cambia ahora

Las versiones anteriores de Isaac ROS ya ofrecían aceleración por GPU, paquetes de percepción y soporte para hardware Jetson. También habían incorporado componentes como FoundationStereo y FoundationPose, además de mejoras para manipulación, teleoperación y robots físicos.

Por lo tanto, Isaac ROS 5.0 no inaugura la utilización de GPU en la plataforma. Ese trabajo ya existía.

El cambio está en la combinación de tres líneas:

1. Una infraestructura de datos más integrada con ROS 2, mediante rosidl::Buffer y CUDA.
2. Herramientas para administrar mejor el uso de la GPU, mediante la partición de recursos.
3. Agentes de IA para ayudar en el desarrollo, la configuración y la migración de código.

Antes, el principal beneficio era que determinados componentes robóticos podían ejecutarse más rápido en hardware NVIDIA. Con 5.0, NVIDIA intenta que también sea más rápido construir y adaptar esos componentes.

Ese cambio importa porque los proyectos de robótica suelen ser difíciles de mantener. No solo hay que desarrollar algoritmos: también hay que lidiar con versiones, dependencias, controladores, formatos de datos, límites de memoria y diferencias entre el entorno de prueba y el robot real.

Si las herramientas de agentes funcionan como se promete, podrían reducir parte de ese trabajo repetitivo. Pero su utilidad dependerá de que produzcan cambios correctos, verificables y compatibles con las restricciones del robot.

Para qué hardware está pensado

Isaac ROS 5.0 está orientado principalmente al ecosistema NVIDIA. Incluye soporte para plataformas Jetson, entre ellas las familias Orin y Thor, además de sistemas con GPU NVIDIA de mayor capacidad.

Las placas Jetson son computadoras compactas diseñadas para ejecutar inteligencia artificial en el borde, es decir, directamente en el robot o cerca de los sensores. Esto permite procesar datos sin enviar continuamente imágenes y decisiones a un servidor remoto.

Ese enfoque es importante cuando:

• la conexión a internet no es confiable;
• la respuesta debe ser rápida;
• los datos no pueden salir del lugar;
• el robot debe funcionar de manera autónoma;
• el sistema necesita consumir poca energía.

La elección de Isaac ROS también implica una dependencia más fuerte del hardware y de las bibliotecas de NVIDIA. Un equipo que utilice computadoras de otros fabricantes o una combinación de aceleradores tendrá que comprobar qué partes puede reutilizar y cuáles dependen de CUDA.

Qué puede significar para la industria

La plataforma está dirigida a desarrolladores de robots industriales, móviles, humanoides y sistemas de manipulación. NVIDIA menciona colaboraciones y casos de uso relacionados con empresas como Mentee Robotics, Universal Robots, ROBOTIS, FieldAI y Noble Machines, además de integraciones con distintos componentes de visión, simulación y herramientas de desarrollo.

En un robot de manipulación, por ejemplo, el flujo podría ser:

1. una cámara observa una mesa;
2. FoundationStereo calcula información de profundidad;
3. FoundationPose estima la posición de un objeto;
4. el planificador calcula cómo tomarlo;
5. el robot mueve su brazo;
6. el sistema verifica el resultado.

Isaac ROS puede aportar componentes acelerados para varias de esas etapas. Las nuevas herramientas de agentes buscan facilitar la configuración de ese flujo y la adaptación de sus nodos.

Para una empresa, la posible ventaja no está únicamente en obtener unos milisegundos menos de procesamiento. También está en reducir el tiempo que lleva pasar de un prototipo a un sistema mantenible. Si un equipo puede reutilizar paquetes, migrar código con asistencia y distribuir mejor la carga de la GPU, podría experimentar con más rapidez.

Aun así, la velocidad de desarrollo no garantiza que el robot sea seguro o confiable. En un entorno industrial, todo sistema debe probarse bajo condiciones reales, con fallas de sensores, cambios de iluminación, objetos inesperados y restricciones de seguridad.

Lo que todavía no demuestra el lanzamiento

Isaac ROS 5.0 fue presentado mediante documentación oficial, notas de lanzamiento y publicaciones de NVIDIA. No se encontró un paper académico ni una evaluación independiente que analice la versión completa.

Esto importa porque los anuncios de producto suelen describir las capacidades previstas, pero no siempre muestran todos los límites. Para valorar el impacto real harían falta comparaciones reproducibles que indicaran:

• qué hardware se utilizó;
• contra qué versión se comparó;
• qué datos procesó el sistema;
• cuántos nodos funcionaban simultáneamente;
• qué consumo de memoria y energía tuvo;
• cómo se midió la latencia;
• cuánto varió el rendimiento en condiciones reales.

La cifra de hasta 5,5 veces más velocidad para FoundationPose debe entenderse dentro del escenario en que NVIDIA la obtuvo. Sin esos detalles, no puede generalizarse automáticamente a cualquier robot.

También falta información completa sobre los agentes. La documentación disponible no establece con precisión qué modelos de lenguaje utilizan, si pueden ejecutarse localmente, qué partes son abiertas, qué permisos necesitan o cómo se validan las modificaciones que proponen.

Por eso, un agente puede ser útil para preparar un proyecto, pero sus resultados deben revisarse como se revisaría el código escrito por cualquier otra herramienta automática.

Por qué el cambio importa

La robótica está pasando de sistemas diseñados para una tarea fija a máquinas que deben percibir situaciones variables y adaptarse. Esa transición exige más modelos de inteligencia artificial, más sensores y más procesamiento en tiempo real.

Isaac ROS 5.0 intenta responder a ese desafío en dos niveles. En el nivel de ejecución, mejora la forma en que los datos circulan y se distribuyen entre procesos. En el nivel de desarrollo, incorpora agentes que ayudan a configurar, migrar y conectar los componentes.

La primera parte puede mejorar el rendimiento y el uso de recursos. La segunda puede reducir la complejidad del trabajo cotidiano de los ingenieros.

El cambio es relevante, pero no equivale a que la plataforma resuelva por sí sola los problemas de la robótica. El rendimiento final seguirá dependiendo del hardware, los sensores, los modelos utilizados, la calidad del código y las condiciones del entorno.

Lo que sabemos

Isaac ROS 5.0 es una actualización de la plataforma de NVIDIA para desarrollar robots con ROS 2 y aceleración por GPU. Añade soporte para ROS 2 Lyrical y Ubuntu 24.04, incorpora rosidl::Buffer con backend CUDA, ofrece partición de GPU mediante isaac_ros_gpu_partitioning y suma agentes o habilidades para ayudar con tareas de configuración, migración y uso de modelos de Physical AI.

El cambio más importante respecto de versiones anteriores es que la plataforma busca acelerar no solo la ejecución de los algoritmos, sino también el proceso de desarrollo. Está pensada principalmente para hardware NVIDIA, especialmente Jetson y sistemas con GPU compatibles.

Lo que no sabemos

Todavía no hay una evaluación académica o independiente de Isaac ROS 5.0 como conjunto. Tampoco están completamente detallados el funcionamiento interno de sus agentes, sus modelos, sus licencias y su desempeño en proyectos reales. Faltan comparaciones amplias con versiones anteriores, hardware no NVIDIA y sistemas heterogéneos, además de evidencia sobre confiabilidad, mantenimiento y adopción sostenida en producción.