Simulation physique pour la robotique

Créez, entraînez et validez des politiques robotiques grâce à la simulation physique accélérée par GPU.

Charges de travail

Robotique
Simulation / Modélisation / Conception

Industries

Tous les secteurs

Objectifs commerciaux

Innovation en matière de réduction des risques

Aperçu

Qu'est-ce que la simulation physique pour la robotique ?

La simulation physique pour la robotique utilise des modèles informatiques de mouvement, de contact, de frottement, d'actionnement, de capteurs et de matériaux pour représenter la façon dont les robots et leur environnement interagissent. La simulation accélérée par GPU peut exécuter de nombreux environnements en parallèle, offrant aux équipes un moyen évolutif de générer une expérience d'entraînement, de tester des cas à l'Edge et d'évaluer le comportement des robots avant de passer au matériel.

Les équipes peuvent utiliser la simulation pour :

  • Commencez le développement avant que le matériel ne soit prêt. Créez et testez les comportements des robots dans des environnements virtuels pendant que les systèmes physiques sont encore en cours d'assemblage.
  • Exécutez plus d'expériences en moins de temps. Testez de nombreuses tâches, conditions d'exploitation et variations de conception sans exécuter chaque expérience sur un robot physique.
  • Réduisez les coûts de développement et les risques. Identifiez les défaillances avant qu'elles n'endommagent les équipements, n'interrompent les opérations ou ne créent des risques pour la sécurité.
  • Améliorez la confiance avant le déploiement. Évaluez le comportement des robots dans des scénarios reproductibles, des perturbations et des cas à l'Edge.
  • Créez un chemin de l'expérimentation à la production. Utilisez la simulation pour entraîner, affiner et valider les comportements des robots, puis confirmez les résultats par des tests en conditions réelles.

En savoir plus sur l'apprentissage des robots.

Commencez le parcours d'apprentissage Newton

Suivez le parcours pour configurer une simulation et comprendre comment elle se connecte à l'entraînement des politiques robotiques dans NVIDIA Isaac™ Lab.

Découvrez Newton Physics

Découvrez comment Newton, basé sur NVIDIA Warp™, prend en charge la simulation robotique.


Implémentation technique

Workflows de robotique rendus possibles par la simulation physique

La simulation physique prend en charge les workflows de robotique, allant de l'entraînement des politiques à grande échelle à l'assemblage riche en contact, à la manipulation d'objets déformables et à l'évaluation des politiques avant le déploiement. Explorez les exemples suivants pour voir comment la simulation s'applique à chaque workflow.

Apprentissage des robots et entraînement des politiques
La simulation physique crée l'expérience interactive dont une politique de robot a besoin pour apprendre. Les développeurs peuvent définir des observations, des actions, des récompenses, des réinitialisations et des critères de succès, exécuter de nombreux environnements en parallèle et évaluer si le comportement appris est stable avant de passer au matériel.

Les charges de travail de robotique d'apprentissage par renforcement
accélérées par GPU donnent souvent la priorité au débit sur de nombreux environnements parallèles plutôt qu'à la latence la plus faible pour une seule étape de simulation. La simulation accélérée par GPU permet de maintenir le calcul physique et des politiques sur le GPU, de réduire la surcharge de transfert de données et d'augmenter la quantité d'expérience produite lors de l'entraînement. L'avantage dépend de la charge de travail, de la taille du lot, de la complexité des contacts et du matériel ; les développeurs sont donc invités à évaluer les performances de leur propre configuration.

La manipulation riche en contacts ainsi que les tâches d'insertion, de fixation, de saisie, de manipulation en main et les tâches tactiles dépendent d'une géométrie de contact précise, de la friction, de la conformité, du comportement de l'actionneur et de tolérances étroites.
La simulation permet aux équipes d'ajuster ces paramètres, d'étudier les modes de défaillance et d'entraîner des politiques pour prendre en charge des variations dont la reproduction physique serait fastidieuse ou risquée.

Objets déformables et tâches multiphysiques
: de nombreuses tâches robotiques combinent des mécanismes rigides avec des câbles, des tissus, des corps souples, des matériaux granulaires ou d'autres objets déformables. Ces workflows peuvent nécessiter un solveur spécialisé ou une approche physique couplée plutôt qu'un modèle basé uniquement sur des corps rigides. Une pile de simulation modulaire permet aux développeurs de sélectionner ou d'étendre la physique nécessaire à la tâche.

L'évaluation des politiques et la simulation de transfert
fournissent un banc d'essai contrôlé permettant de comparer les politiques, de tester les perturbations et les Edge cases, et de vérifier si le comportement reste acceptable après avoir modifié un solveur ou un backend de simulation. L'évaluation Sim-to-Sim et Sim-to-Real peut révéler la sensibilité aux hypothèses des modèles et guider l'étalonnage, la randomisation de domaines et la collecte de données complémentaire.

Découvrez la simulation physique pour la robotique en action

Découvrez comment les équipes de robotique utilisent la simulation physique accélérée par GPU pour entraîner des politiques, modéliser des interactions complexes et valider le comportement des robots.

Entraînez, validez et déployez une politique de locomotion

L'ETH de Zurich a entraîné une politique de locomotion ANYmal-D avec Newton et Isaac Lab, l'a validée sur des simulateurs et l'a déployée sur un robot physique.

Entraînez des politiques pour l'assemblage riche en contacts

Skild AI utilise Newton et Isaac Lab pour entraîner des politiques pour l'insertion des connecteurs, le placement des cartes et la fixation.

Simulez un assemblage de câbles déformables

Découvrez comment Samsung et Lightwheel utilisent Newton pour simuler l'insertion robotique de tuyaux d'eau en couplant MuJoCo Warp à un solveur de câbles déformable.

Comment la pile de simulation robotique s'intègre

La pile de simulation robotique sépare la définition des tâches, le calcul physique, l'accélération GPU et l'entraînement des politiques afin que les développeurs puissent sélectionner les composants nécessaires à leur workflow.

  • MuJoCo Warp (MJ Warp) fournit des capacités largement utilisées de dynamique des corps rigides basées sur CPU, de simulation par contact, de modélisation et de contrôle pour la robotique et l'apprentissage par renforcement.
  • MJWarp met en œuvre la physique MuJoCo dans NVIDIA Warp pour une simulation parallèle à haut débit sur les GPU NVIDIA. Elle est particulièrement pertinente lorsqu'une charge de travail bénéficie de nombreux environnements fonctionnant simultanément.
  • NVIDIA Warp est le framework Python utilisé pour créer des noyaux de simulation et de calcul spatial accélérés par GPU et les connecter à des frameworks d'apprentissage automatique.
  • Newton est un moteur physique open source et extensible basé sur NVIDIA Warp et OpenUSD. Elle sépare le modèle physique, l'état, les contrôles, les contacts et le solveur afin que les développeurs puissent utiliser l'approche numérique appropriée au problème. MJWarp est un solveur essentiel de corps rigide dans Newton.
  • Le framework ouvert NVIDIA Isaac Sim sert d'environnement de création pour les ressources qui peuvent être simulées avec Newton. Les développeurs peuvent équiper des robots avec plusieurs backends physiques et simuler en aval dans Isaac Sim ou Isaac Lab. Isaac Sim permet également de tester les logiciels des robots, notamment les politiques entraînées dans Isaac Lab, Newton étant le backend de la physique
  • NVIDIA Isaac Lab est un framework de simulation open source et accéléré par GPU pour l'apprentissage des robots. Il prend en charge la configuration de l'environnement, l'entraînement des politiques, l'évaluation et les workflows de transfert, et peut utiliser Newton comme backend de physique.

Écosystème de partenaires

NVIDIA collabore avec Google DeepMind, Disney Research et l'ensemble de la communauté de la Linux Foundation pour faire progresser la physique accélérée par GPU de Newton, l'écosystème de solveurs, les ressources de simulation et les workflows d'apprentissage robotique.

Découvrez l'écosystème ouvert Newton ou contactez NVIDIA pour identifier les ressources et les collaborateurs les mieux adaptés à vos besoins en matière de simulation robotique.


FAQ

MuJoCo fait généralement référence à la bibliothèque de physique C de base et au format de modèle MJCF. Il simule la dynamique des robots, mais n'inclut pas les workflows d'entraînement des politiques. MJWarp exécute la physique MuJoCo compatible dans NVIDIA Warp pour la simulation GPU par lots, tandis que Newton est un moteur physique open source et extensible qui peut utiliser MJWarp comme solveur. Isaac Lab ajoute le workflow d'apprentissage robotique, notamment la configuration de l'environnement, l'entraînement des politiques et l'évaluation.

Il peut s'avérer utile lorsque l'entraînement ou l'évaluation nécessite de nombreux environnements parallèles et que le débit de simulation est devenu un goulot d'étranglement. Validez les performances et le comportement attendu avant de migrer entièrement le workflow.

Utilisez la simulation à corps rigide lorsque la tâche implique principalement des robots articulés et des objets solides. Envisagez la mise en œuvre de la multiphysique couplée lorsque le succès dépend de matériaux déformables, de câbles, de fluides, d'interactions tactiles ou d'autres comportements physiques complexes.

Démarrer

Lancez un environnement Newton interactif dans votre navigateur et commencez à configurer la simulation physique pour l'apprentissage des robots.

Actualités