Simulación de robótica

Los robots y las flotas de robots de IA física deben detectar, planificar y actuar de forma autónoma para realizar tareas complejas del mundo real, como desplazarse por instalaciones concurridas y manipular objetos de forma segura en condiciones cambiantes. 

Un enfoque centrado en la simulación ayuda a los equipos a alcanzar esa autonomía más rápido. Con la simulación de robots, los desarrolladores pueden entrenar, probar y validar el comportamiento de los robots en gemelos digitales físicamente precisos, lo cual puede incluir representaciones digitales de almacenes y fábricas, utilizando el aprendizaje de robots y escenarios de prueba repetibles antes de la implementación. El mismo enfoque se escala a flotas de varios robots para que puedan comprender e interactuar con las instalaciones industriales basándose en datos de producción en tiempo real, entradas de sensores y razonamiento.

La simulación proporciona un entorno virtual seguro y coherente en el que los modelos de políticas fundamentales y robóticos pueden practicar tareas, aprender de los comentarios y mejorar su comportamiento antes de ejecutarse en el mundo real. Los entornos de entrenamiento realistas pueden reconstruirse y renderizarse en NVIDIA Isaac Sim con las bibliotecas NVIDIA Omniverse NuRec y aumentarse con la generación de datos sintéticos (SDG). Estos datos pueden consistir en texto, imágenes 2D o 3D en el espectro visual y no visual, e incluso datos de movimiento o trayectoria que se pueden usar junto con datos del mundo real para entrenar modelos de IA física multimodal. 

La aleatorización de dominios es un paso clave en el flujo de trabajo de la SDG (Simulación de Datos Generada), donde se pueden cambiar muchos parámetros de una escena para generar un conjunto de datos variado. Estos pueden incluir todo, desde la ubicación hasta el color, las texturas y la iluminación de los objetos. Con NVIDIA Physical AI Data Factory, los desarrolladores pueden aumentar y evaluar aún más los datos de entrenamiento a escala con los modelos fundacionales del mundo NVIDIA Cosmos™. Cosmos Transfer añade variaciones realistas a los datos existentes, mientras que Cosmos Evaluator y Cosmos Reason validan, seleccionan y anotan los resultados automáticamente para garantizar que solo se utilicen datos de alta calidad para el entrenamiento de modelos.

El aprendizaje de robots es crítico para garantizar que las máquinas autónomas puedan realizar habilidades robustas repetida y eficientemente en el mundo físico. La simulación de alta fidelidad proporciona un campo de entrenamiento virtual para que los robots perfeccionen sus habilidades mediante ensayo y error o imitación. Esto garantiza que los comportamientos aprendidos por el robot en la simulación sean más fácilmente transferibles al mundo real.

NVIDIA Isaac™ Lab, un marco de código abierto, unificado y modular para el aprendizaje de robots basado en NVIDIA Isaac Sim, simplifica los flujos de trabajo comunes en el aprendizaje de robótica, como el aprendizaje de refuerzo, el aprendizaje de demostraciones y la planificación de movimientos. 

Los desarrolladores también pueden aprovechar Newton, un motor de física de código abierto acelerado por GPU basado en NVIDIA Warp para realizar simulaciones de alta velocidad, físicamente precisas y diferenciables. 

Los planos de NVIDIA Isaac GR00T-Mimic y GR00T-Dreams, basados en NVIDIA Cosmos, producen conjuntos de datos de movimiento sintético grandes y diversos para el entrenamiento. Estos conjuntos de datos se pueden utilizar para entrenar los modelos de base abierta de Isaac GR00T N dentro de Isaac Lab y un razonamiento humanoide generalizado y una adquisición robusta de habilidades.

Las pruebas de software en bucle (SIL) es una etapa crítica de prueba y validación en el desarrollo de software para sistemas de robótica físicos con IA. En SIL, el software que controla el robot se prueba en un entorno simulado, en lugar de en hardware físico. 

SIL con simulación garantiza un modelado preciso de la física del mundo real, incluidas las entradas de sensores, la dinámica de actuadores y las interacciones medioambientales.  Isaac Sim proporciona a los desarrolladores las características necesarias para probar que la pila de software del robot se comporta en la simulación como lo haría en el robot físico, lo que mejora la validez de los resultados de las pruebas.

SIL también se puede ampliar desde un solo robot a flotas de robots. Los almacenes y otras instalaciones industriales son entornos logísticos altamente complejos con desafíos que incluyen fluctuaciones de la demanda, restricciones de espacio y disponibilidad de fuerza de trabajo. Estos entornos pueden beneficiarse de la integración de flotas de sistemas robóticos para ayudar en las operaciones.

Mega es un NVIDIA Omniverse™ Blueprint para desarrollar, probar y optimizar la IA física y las flotas de robots a escala en un entorno de gemelos digitales antes de la implementación en instalaciones del mundo real. Con gemelos digitales impulsados por Mega, incluidos simuladores de mundo que coordinan todas las actividades de robots y datos de sensores, las empresas pueden actualizar continuamente los cerebros de robots para rutas y tareas inteligentes para obtener eficiencias operativas.

La generación de datos sintéticos, el aprendizaje de robots y las pruebas de robots son flujos de trabajo altamente interdependientes y requieren una orquestación cuidadosa en una infraestructura heterogénea. Los flujos de trabajo robóticos también requieren especificaciones adaptadas a los desarrolladores que simplifiquen la configuración de la infraestructura, creen formas fluidas de rastrear datos y el linaje de los modelos, y proporcionen una forma segura y optimizada de implementar cargas de trabajo. 

NVIDIA OSMO es una plataforma de orquestación nativa de la nube para escalar cargas de trabajo de robótica complejas, en varias etapas y en varios contenedores en las nubes locales, privadas y públicas. Con OSMO, puede organizar, visualizar y gestionar una gama de tareas. Esto incluye todo, desde la generación de datos sintéticos hasta modelos de entrenamiento, realización de aprendizaje de refuerzo e implementación de sistemas de software en bucle para humanoides, robots móviles autónomos (AMR) y manipuladores industriales.