Simulación física para robótica

Cree, entrene y valide políticas de robots con la simulación física acelerada por GPU.

Cargas de trabajo

Robótica
Simulación/Modelado/Diseño

Sectores

Todos los sectores

Objetivo comercial

Innovación en la
mitigación de riesgos

Productos

Descripción general

¿Qué es la simulación física para robótica?

La simulación física para robótica utiliza modelos computacionales de movimiento, contacto, fricción, accionamiento, sensores y materiales para representar cómo interactúan los robots con su entorno. La simulación acelerada por GPU puede ejecutar muchos entornos en paralelo, lo que proporciona a los equipos una forma escalable de generar experiencia de entrenamiento, probar casos perimetrales y evaluar el comportamiento de los robots antes de pasar al hardware.

Los equipos pueden utilizar la simulación para:

  • Empezar el desarrollo antes de que el hardware esté listo. Cree y prueobe comportamientos de robots en entornos virtuales mientras los sistemas físicos aún se están ensamblando.
  • Ejecutar más experimentos en menos tiempo. Pruebe muchas tareas, condiciones de funcionamiento y variantes de diseño sin ejecutar cada experimento en un robot físico.
  • Reducir los costes y los riesgos de desarrollo. Detecte los fallos antes de que dañen los equipos, interrumpan las operaciones o creen riesgos para la seguridad.
  • Mejorar la confianza antes de la implementación. Evalúe el comportamiento de los robots en escenarios repetibles, perturbaciones y casos perimetrales.
  • Crear una ruta desde la experimentación hasta la producción. Utilice la simulación para entrenar, refinar y validar los comportamientos de los robots, y luego confirme los resultados mediante pruebas en el mundo real.

Más información sobre el aprendizaje de robots.

Inicie la ruta de aprendizaje de Newton

Siga la ruta para configurar una simulación y comprender cómo se conecta con el entrenamiento de políticas de robots en NVIDIA Isaac™ Lab.

Explore Newton Physics

Descubra cómo Newton, basado en NVIDIA Warp™, facilita la simulación robótica.


Implementación técnica

Flujos de trabajo de robótica habilitados por la simulación física

La simulación física admite flujos de trabajo de robótica que van desde el entrenamiento de políticas a gran escala hasta el ensamblaje con muchos contactos, la manipulación de objetos deformables y la evaluación de políticas antes de la implementación. Eche un vistazo a los siguientes ejemplos para ver cómo la simulación se aplica a cada flujo de trabajo.

Aprendizaje robótico y entrenamiento de políticas
La simulación física crea la experiencia interactiva que una política de robots necesita para aprender. Los desarrolladores pueden definir observaciones, acciones, recompensas, reajustes y criterios de éxito, ejecutar muchos entornos en paralelo y evaluar si el comportamiento aprendido es estable antes de pasar al hardware.

Aprendizaje por refuerzo acelerado por GPU
Las cargas de trabajo de aprendizaje robótico a menudo priorizan el rendimiento en muchos entornos paralelos en lugar de lograr la menor latencia en un solo paso de simulación. La simulación acelerada por GPU puede mantener la computación de física y de políticas en la GPU, reducir la sobrecarga de la transferencia de datos y aumentar la cantidad de experiencia obtenida durante el entrenamiento. Las ventajas dependen de la carga de trabajo, el tamaño de los lotes, la complejidad de los contactos y el hardware, por lo que los desarrolladores deben evaluar su propia configuración.

Ensamblaje y manipulación con muchos contactos
La inserción, la fijación, el agarre, la manipulación manual y las tareas táctiles dependen de una geometría de contacto precisa, la fricción, la conformidad, el comportamiento del actuador y las tolerancias ajustadas. La simulación permite a los equipos ajustar estos parámetros, investigar los modos de fallo y entrenar políticas en variaciones que serían tediosas o arriesgadas de reproducir físicamente.

Objetos deformables y tareas de multifísica
Muchas tareas de robótica combinan mecanismos rígidos con cables, telas, cuerpos blandos, materiales granulares u otros objetos deformables. Estos flujos de trabajo pueden requerir un solucionador especializado o un enfoque de física acoplada, en lugar de un modelo basado únicamente en cuerpos rígidos. Una pila de simulación modular permite a los desarrolladores seleccionar o ampliar la física necesaria para la tarea.

Evaluación y transferencia de políticas
La simulación proporcionan un banco de pruebas controlado para comparar políticas, probar perturbaciones y casos perimetrales, y comprobar si el comportamiento sigue siendo aceptable después de cambiar un solucionador o un backend de simulación. La evaluación de simulación a simulación y de simulación a realidad puede exponer la sensibilidad a las suposiciones del modelo y guiar la calibración, la aleatorización de dominios y la recopilación de datos adicionales.

Vea la simulación física para robótica en acción

Descubra cómo los equipos de robótica utilizan la simulación física acelerada por GPU para entrenar políticas, modelar interacciones complejas y validar el comportamiento de los robots.

Entrenar, validar e implementar una política de locomoción

ETH Zurich entrenó una política de locomoción ANYmal-D con Newton e Isaac Lab, la validó en simuladores y la implementó en un robot físico.

Entrenar políticas para el ensamblaje con muchos contactos

Skild AI utiliza Newton e Isaac Lab para entrenar políticas para la inserción de conectores, la colocación de placas y la fijación.

Simule un ensamblaje de cables deformables

Descubra cómo Samsung y Lightwheel utilizan Newton para simular la inserción robótica de mangueras de agua al combinar MuJoCo Warp con un solucionador de cables deformables.

Cómo se integra la pila de simulación robótica

La pila de simulación robótica separa la definición de tareas, la computación física, la aceleración por GPU y el entrenamiento de políticas para que los desarrolladores puedan seleccionar los componentes que su flujo de trabajo requiere.

  • MuJoCo Warp (MJ Warp) proporciona capacidades ampliamente utilizadas de dinámica de cuerpos rígidos basada en CPU, simulación de contacto, modelado y control para aplicaciones de robótica y aprendizaje por refuerzo.
  • MJWarp implementa la física de MuJoCo en NVIDIA Warp para la simulación en paralelo de alto rendimiento en las GPU de NVIDIA. Adquiere mayor importancia cuando una carga de trabajo se beneficia de muchos entornos que se ejecutan simultáneamente.
  • NVIDIA Warp es el marco de trabajo de Python que se utiliza para crear kernels de simulación acelerada por GPU y de computación espacial, y conectarlos con marcos de aprendizaje automático.
  • Newton es un motor de física de código abierto y extensible basado en NVIDIA Warp y OpenUSD. Separa el modelo físico, el estado, los controles, los contactos y el solucionador para que los desarrolladores puedan utilizar el enfoque numérico más adecuado para el problema en cuestión. MJWarp es un solucionador de cuerpo rígido clave en Newton.
  • El marco de trabajo abierto de NVIDIA Isaac Sim™ sirve como entorno de creación de activos que se pueden simular con Newton. Los desarrolladores pueden configurar robots con múltiples backends de física y realizar simulaciones posteriores en Isaac Sim o en Isaac Lab. Isaac Sim también permite las pruebas de software en bucle (SIL) de software de robots, incluidas las políticas entrenadas en Isaac Lab, con Newton como el backend de física
  • NVIDIA Isaac Lab es un marco de simulación de código abierto y acelerado por GPU para el aprendizaje de robots. Es compatible con la configuración del entorno, el entrenamiento y la evaluación de políticas, y los flujos de trabajo de transferencia. Además, puede utilizar Newton como backend de física.

Ecosistema de partners

NVIDIA colabora con Google DeepMind, Disney Research y la comunidad de Linux Foundation en general para avanzar en la física acelerada por GPU de Newton, el ecosistema de solucionadores, los activos de simulación y los flujos de trabajo de aprendizaje robótico.

Explore el ecosistema abierto de Newton o póngase en contacto con NVIDIA para identificar los recursos y colaboradores que mejor se adapten a sus necesidades de simulación de robótica.


Preguntas frecuentes

MuJoCo se refiere normalmente a la biblioteca básica de simulación física en C y al formato de modelo MJCF. Simula la dinámica de robots, pero no incluye flujos de trabajo de entrenamiento de políticas. MJWarp ejecuta física de MuJoCo compatible en NVIDIA Warp para la simulación de GPU por lotes, mientras que Newton es un motor de física de código abierto y extensible que puede utilizar MJWarp como solucionador. Isaac Lab añade el flujo de trabajo de aprendizaje robótico, que incluye la configuración del entorno, el entrenamiento de políticas y la evaluación.

Puede ser muy valioso cuando el entrenamiento o la evaluación requieren muchos entornos paralelos y el rendimiento de la simulación se ha convertido en un cuello de botella. Valide tanto el rendimiento como el comportamiento esperado antes de migrar por completo el flujo de trabajo.

Utilice la simulación de cuerpo rígido cuando la tarea implique principalmente robots articulados y objetos sólidos. Considere la posibilidad de la multifísica acoplada cuando el éxito del proceso dependa de materiales deformables, cables, fluidos, interacciones táctiles u otro comportamiento físico complejo.

Empezar

Lance un entorno interactivo de Newton en su navegador y empiece a configurar la simulación física para el aprendizaje de robots.

Noticias