Simulazione fisica per la robotica
Crea, addestra e convalida le policy dei robot con la simulazione fisica accelerata da GPU.
Carichi di lavoro
Robotica
Simulazione / Modellazione / Design
Settori
Tutti i settori
Obiettivo aziendale
Innovazione nella
mitigazione dei rischi
Prodotti
Panoramica
Cos'è la simulazione fisica per la robotica?
La simulazione fisica per la robotica utilizza modelli computazionali di movimento, contatto, attrito, attuazione, sensori e materiali per rappresentare il modo di interagire dei robot con i loro ambienti. La simulazione accelerata da GPU può eseguire numerosi ambienti in parallelo, offrendo ai team una maniera scalabile di generare esperienze di addestramento, testare casi all'edge e valutare il comportamento dei robot prima di passare all'hardware.
I team possono utilizzare la simulazione per:
- Iniziare lo sviluppo prima che l'hardware sia pronto. Crea e testa i comportamenti dei robot in ambienti virtuali mentre i sistemi fisici sono ancora in fase di assemblaggio.
- Eseguire più esperimenti in meno tempo. Testa numerose attività, condizioni operative e variazioni di progettazione senza eseguire ogni esperimento su un robot fisico.
- Ridurre i costi e i rischi di sviluppo. Identifica i guasti prima che causino danni alle apparecchiature, interrompano le operazioni o creino rischi per la sicurezza.
- Ottenere un grado maggiore di sicurezza prima di distribuire. Valuta il comportamento dei robot in scenari ripetibili, in presenza di disturbi e in casi limite.
- Creare un percorso dalla sperimentazione alla produzione. Usa la simulazione per addestrare, perfezionare e convalidare i comportamenti dei robot, quindi conferma i risultati attraverso test nel mondo reale.
Scopri di più sull'apprendimento robotico.
Collegamenti rapidi
Implementazione tecnica
Flussi di lavoro robotici basati sulla simulazione fisica
La simulazione fisica supporta i flussi di lavoro robotici che vanno dall'addestramento delle policy su larga scala all'assemblaggio ad alto tasso di contatto, fino alla manipolazione di oggetti deformabili e alla valutazione delle policy prima della distribuzione. Esplora i seguenti esempi per vedere come la simulazione si applica a ogni flusso di lavoro.
Apprendimento robotico e addestramento delle policy
La simulazione fisica crea l'esperienza interattiva che deve essere appresa da una policy per robot. Gli sviluppatori possono definire osservazioni, azioni, premi, reimpostazioni e criteri di successo, eseguire numerosi ambienti in parallelo e valutare la solidità del comportamento appreso prima di passare all'hardware.
Apprendimento per rinforzo accelerato da GPU
I carichi di lavoro di apprendimento robotico spesso danno priorità al throughput in molti ambienti paralleli anziché alla latenza più bassa per una singola fase di simulazione. La simulazione accelerata da GPU può mantenere la fisica e il calcolo delle policy sulla GPU, ridurre l'overhead del trasferimento dati e aumentare la quantità di esperienza prodotta durante l'addestramento. Dal momento che il beneficio dipende dal carico di lavoro, dalle dimensioni dei lotti, dalla complessità dei contatti e dall'hardware, gli sviluppatori dovrebbero valutare le prestazioni della propria configurazione.
Manipolazione e assemblaggio ad alto tasso di contatto
: l'inserimento, il fissaggio, la presa, la manipolazione manuale e le attività tattili dipendono da una geometria di contatto accurata, dall'attrito, dalla conformità, dal comportamento dell'attuatore e da tolleranze strette. La simulazione consente ai team di ottimizzare questi parametri, indagare sulle modalità di guasto e addestrare policy su variazioni la cui riproduzione fisica sarebbe noiosa o rischiosa.
Oggetti deformabili e attività multifisica
Molte attività di robotica combinano meccanismi rigidi con cavi, tessuti, corpi morbidi, materiali granulari o altri oggetti deformabili. Questi flussi di lavoro possono richiedere un solver specializzato o un approccio alla fisica accoppiata anziché un modello basato solo su corpi rigidi. Grazie a uno stack di simulazione modulare, gli sviluppatori possono selezionare o ampliare la fisica necessaria per l'attività.
Valutazione delle policy e simulazione del trasferimento
forniscono un banco di prova controllato per confrontare le policy, testare disturbi e casi limite e verificare che il comportamento resti accettabile dopo aver cambiato solver o backend di simulazione. La valutazione sim-to-sim e sim-to-real può far emergere la sensibilità alle ipotesi del modello e orientare la calibrazione, la randomizzazione del dominio e un'ulteriore raccolta di dati.
Collegamenti rapidi
Guarda la simulazione fisica per la robotica in azione
Scopri come i team di robotica utilizzano la simulazione fisica accelerata da GPU per addestrare le policy, modellare interazioni complesse e convalidare il comportamento dei robot.
Come mettere insieme uno stack di simulazione robotica
Lo stack di simulazione robotica separa la definizione delle attività, il calcolo fisico, l'accelerazione GPU e l'addestramento delle policy in modo che gli sviluppatori possano selezionare i componenti necessari per il flusso di lavoro.
- MuJoCo Warp (MJ Warp) fornisce capacità ampiamente utilizzate di dinamica a corpo rigido basata su CPU, simulazione di contatto, modellazione e controllo per la robotica e l'apprendimento per rinforzo.
- MJWarp implementa la fisica MuJoCo in NVIDIA Warp per la simulazione parallela ad alto throughput su GPU NVIDIA. È particolarmente importante quando un carico di lavoro beneficia di molti ambienti in esecuzione simultaneamente.
- NVIDIA Warp è il framework Python utilizzato per creare kernel di simulazione accelerata da GPU e calcolo spaziale e collegarli ai framework di machine learning.
- Newton è un motore di fisica open source estensibile basato su NVIDIA Warp e OpenUSD. Separa il modello fisico, lo stato, i controlli, i contatti e il solver in modo che gli sviluppatori possano utilizzare l'approccio numerico appropriato per il problema. MJWarp è un solver di corpi rigidi chiave in Newton.
- Il framework aperto NVIDIA Isaac Sim™ funge da ambiente di creazione per le risorse che possono essere simulate con Newton. Gli sviluppatori possono dotare i robot di più backend di fisica ed eseguire simulazioni downstream in Isaac Sim o Isaac Lab. Isaac Sim consente inoltre il test software-in-the-loop (SIL) del software di robotico, oltre alle policy addestrate in Isaac Lab, con Newton come backend di fisica
- NVIDIA Isaac Lab è un framework di simulazione open source e accelerato da GPU per l'apprendimento robotico. Supporta la configurazione dell'ambiente, l'addestramento delle policy, la valutazione e i flussi di lavoro di trasferimento e può utilizzare Newton come backend di fisica.
Collegamenti rapidi
Ecosistema dei partner
NVIDIA collabora con Google DeepMind, Disney Research e la più ampia community Linux Foundation per compiere progressi nella fisica accelerata da GPU di Newton, l'ecosistema dei solver, le risorse di simulazione e i flussi di lavoro di apprendimento robotico.
Scopri l'ecosistema aperto di Newton o contatta NVIDIA per trovare le risorse e i collaboratori più adatti alle tue esigenze di simulazione robotica.
FAQ
MuJoCo in genere si riferisce alla libreria di fisica C di base e al formato dei modelli MJCF. Simula la dinamica dei robot, ma non include i flussi di lavoro di addestramento delle policy. MJWarp esegue la fisica compatibile MuJoCo in NVIDIA Warp per la simulazione GPU in batch, mentre Newton è un motore di fisica open source estensibile in grado di utilizzare MJWarp come solver. Isaac Lab aggiunge il flusso di lavoro di apprendimento robotico, comprendendo la configurazione dell'ambiente, l'addestramento delle policy e la valutazione.
Può essere preziosa quando l'addestramento o la valutazione richiedono numerosi ambienti paralleli e se il throughput di simulazione diventa un collo di bottiglia. Convalida sia le prestazioni che il comportamento atteso prima di migrare completamente il flusso di lavoro.
Usa la simulazione a corpo rigido quando l'attività coinvolge principalmente robot articolati e oggetti solidi. Considera la multifisica accoppiata quando il successo dipende da materiali deformabili, cavi, fluidi, interazioni tattili o altri comportamenti fisici complessi.
Inizia
Lancia un ambiente interattivo Newton nel browser e inizia a configurare la simulazione fisica per l'apprendimento robotico.