ربات‌ها کالاها را در انبارها جابه‌جا می‌کنند، مواد غذایی را بسته‌بندی می‌کنند و به مونتاژ وسایل نقلیه کمک می‌کنند – اتوماسیون بهبودیافته‌ای را برای موارد استفاده در صنایع ارائه می‌کنند.

دو کلید برای موفقیت آنها وجود دارد: هوش مصنوعی فیزیکی و شبیه سازی رباتیک.

هوش مصنوعی فیزیکی مدل‌های هوش مصنوعی را توصیف می‌کند که می‌توانند دنیای فیزیکی را درک کنند و با آن تعامل داشته باشند. هوش مصنوعی فیزیکی موج بعدی ماشین‌ها و ربات‌های خودران، مانند ماشین‌های خودران، مانورهای صنعتی، روبات‌های متحرک، روبات‌های انسان‌نما و حتی زیرساخت‌های مدیریت شده توسط ربات‌ها مانند کارخانه‌ها و انبارها را در بر می‌گیرد.

با بهره برداری مجازی از ربات ها در دنیای دیجیتال، ربات ها ابتدا با استفاده از نرم افزار شبیه سازی رباتیک قبل از اینکه در موارد استفاده در دنیای واقعی مستقر شوند، آموزش داده می شوند.

خلاصه ای از شبیه سازی رباتیک

این شبیه ساز پیشرفته رباتیک یادگیری ربات ها و آزمایش ربات های مجازی را بدون نیاز به ربات فیزیکی آسان می کند. این شبیه سازها با به کارگیری اصول فیزیک و تکرار شرایط دنیای واقعی، مجموعه داده های مصنوعی را برای آموزش مدل های یادگیری ماشین برای استقرار بر روی ربات های فیزیکی ایجاد می کنند.

شبیه‌سازی‌ها در ابتدا برای آموزش مدل‌های هوش مصنوعی و سپس اعتبارسنجی کل مجموعه نرم‌افزاری مورد استفاده قرار می‌گیرند و نیاز به روبات‌های فیزیکی در طول آزمایش را کاهش می‌دهند. NVIDIA Isaac Sim، یک برنامه مرجع ساخته شده بر روی پلت فرم NVIDIA Omniverse، تجسم های دقیقی را ارائه می دهد و از گردش های کاری مبتنی بر توصیف صحنه جهانی (OpenUSD) برای شبیه سازی و اعتبار سنجی پیشرفته روبات پشتیبانی می کند.

Nvidiaچارچوب کامپیوتری هر سه را تسهیل می کند شبیه سازی ربات

سه کامپیوتر برای آموزش و استقرار فناوری ربات مورد نیاز است.

1. یک ابرکامپیوتر سریع برای آموزش و تنظیم دقیق پایه های قدرتمند و مدل های هوش مصنوعی مولد.
2. یک پلت فرم توسعه برای شبیه سازی و آزمایش روبات ها.
3. محاسبات زمان اجرا تعبیه شده برای استقرار مدل های آموزش دیده به روبات های فیزیکی.

ربات های فیزیکی تنها پس از آموزش مناسب در محیط های شبیه سازی شده قابل استفاده هستند.

پلت فرم NVIDIA DGX می تواند به عنوان اولین سیستم محاسباتی برای مدل های آموزشی عمل کند.

NVIDIA Ominverse بر روی سرورهای NVIDIA OVX به عنوان یک سیستم کامپیوتری دوم اجرا می شود و بستر توسعه و محیط شبیه سازی را برای آزمایش، بهینه سازی و اشکال زدایی هوش مصنوعی فیزیکی فراهم می کند.

کامپیوترهای روباتیک NVIDIA Jetson Thor که برای محاسبات تعبیه شده طراحی شده اند به عنوان کامپیوتر سوم در زمان اجرا عمل می کنند.

چه کسی از شبیه سازهای رباتیک استفاده می کند؟

امروزه، فناوری رباتیک و شبیه‌سازی رباتیک به طور چشمگیری عملیات را در سراسر موارد استفاده افزایش می‌دهند.

Delta Electronics، پیشرو جهانی در فناوری‌های انرژی و حرارت، از شبیه‌سازی برای آزمایش الگوریتم‌های بازرسی بصری خود برای تشخیص عیوب محصول در خطوط تولید استفاده می‌کند.

استارت‌آپ فن‌آوری عمیق Wandelbots در حال ساخت یک شبیه‌ساز سفارشی با ادغام Isaac Sim در برنامه خود است که برنامه‌ریزی سلول‌های روباتیک در شبیه‌سازی و انتقال یکپارچه مدل‌ها را به یک ربات واقعی برای کاربران نهایی آسان‌تر می‌کند.

Boston Dynamics با گروه پژوهشگران یادگیری تقویتی خود به محققان و توسعه دهندگان انرژی می دهد.

Fourier Robotics شرایط دنیای واقعی را شبیه سازی می کند تا ربات های انسان نما را با دقت و چابکی مورد نیاز برای همکاری نزدیک انسان و ربات آموزش دهد.

شرکت رباتیک Galbot با استفاده از NVIDIA Isaac Sim، DexGraspNet، مجموعه داده شبیه‌سازی جامعی از هندپیس‌های رباتیک ماهرانه را ساخت که حاوی بیش از یک میلیون دستگیره ShadowHand بر روی بیش از 5300 شی است. این مجموعه داده را می توان برای هر دست رباتیک ماهر برای انجام کارهای پیچیده ای که به مهارت های حرکتی ظریف نیاز دارد، اعمال کرد.

استفاده کنید شبیه سازی ربات برای نتایج برنامه ریزی و کنترل

در محیط‌های صنعتی پیچیده و پویا، شبیه‌سازی رباتیک برای ترکیب دوقلوهای دیجیتالی در حال تکامل است و برنامه‌ریزی، کنترل و نتایج یادگیری را افزایش می‌دهد.

توسعه دهندگان مدل های CAD را به یک شبیه ساز رباتیک وارد می کنند تا صحنه های مجازی بسازند و از الگوریتم هایی برای ایجاد سیستم عامل ربات و فعال کردن برنامه ریزی کار و حرکت استفاده کنند. در حالی که روش‌های سنتی شامل توصیف سیگنال‌های کنترلی است، تغییر به سمت یادگیری ماشینی به روبات‌ها اجازه می‌دهد تا رفتارها را از طریق روش‌هایی مانند تقلید و یادگیری تقویتی، با استفاده از سیگنال‌های حسگر شبیه‌سازی شده، یاد بگیرند.

این تکامل با دوقلوهای دیجیتال در امکانات پیچیده مانند خطوط مونتاژ تولید ادامه می‌یابد، جایی که توسعه‌دهندگان می‌توانند هوش مصنوعی بلادرنگ را کاملاً در شبیه‌سازی آزمایش و بهینه کنند. این رویکرد باعث صرفه جویی در زمان و هزینه های توسعه نرم افزار می شود و با پیش بینی مشکلات زمان خرابی را کاهش می دهد. به عنوان مثال، با NVIDIA Omniverse، Metropolis و cuOpt، توسعه‌دهندگان می‌توانند از دوقلوهای دیجیتال برای توسعه، آزمایش و بهبود هوش مصنوعی در شبیه‌سازی قبل از استقرار آن در زیرساخت‌های صنعتی استفاده کنند.

وضوح بالاپیشرفت های شبیه سازی مبتنی بر فیزیک

شبیه‌سازی‌های مبتنی بر فیزیک با وفاداری بالا، ربات‌های صنعتی را از طریق آزمایش‌های واقعی در محیط‌های مجازی ارتقا داده‌اند.

NVIDIA PhysX که در Omniverse و Isaac Sim ادغام شده است، رباتیک‌ها را قادر می‌سازد تا مهارت‌های حرکتی ظریف و درشت دستکاری‌کنندگان ربات، دینامیک بدنه سخت و نرم، دینامیک خودرو و سایر ویژگی‌های مهم را توسعه دهند که تضمین می‌کند ربات از قوانین فیزیک پیروی می‌کند. این شامل کنترل دقیق موتور و مدل سازی سینماتیک است که برای حرکات دقیق ربات ضروری است.

برای پر کردن شکاف بین شبیه‌سازی و واقعیت، آزمایشگاه Isaac یک چارچوب با وفاداری بالا و منبع باز برای تقویت و یادگیری تقلید ارائه می‌کند که انتقال یکپارچه سیاست‌ها از محیط‌های شبیه‌سازی شده به روبات‌های فیزیکی را تسهیل می‌کند. از طریق موازی سازی GPU، آزمایشگاه Isaac آموزش را سرعت می بخشد و عملکرد را بهبود می بخشد و کارهای پیچیده را برای روبات های صنعتی قابل دستیابی تر و ایمن تر می کند.

درباره ایجاد خط مشی یادگیری تقویتی برای تحرک با ایزاک بیشتر بیاموزید سیم و ایزاک لپ، این را بخوانید وبلاگ توسعه دهنده.

آموزش حرکت بدون برخورد برای استقلال

ربات‌های صنعتی اغلب در محیط‌های خاصی مانند کارخانه‌ها یا مراکز انجام آموزش می‌بینند، جایی که شبیه‌سازی به رفع چالش‌های مربوط به انواع مختلف ربات‌ها و محیط‌های پر هرج و مرج کمک می‌کند. یکی از جنبه های مهم این شبیه سازی، ایجاد حرکت بدون برخورد در محیط های ناشناخته و به هم ریخته است.

رویکردهای برنامه‌ریزی حرکت سنتی که سعی در رسیدگی به این چالش‌ها دارند، ممکن است در محیط‌های ناشناخته یا پویا شکست بخورند. SLAM یا محلی سازی و نقشه برداری همزمان می تواند برای ایجاد نقشه های سه بعدی از محیط ها با استفاده از تصاویر دوربین از چندین دیدگاه استفاده شود. با این حال، این نقشه ها با حرکت اشیا و تغییر محیط ها نیاز به بازبینی دارند.

تیم تحقیقاتی NVIDIA Robotics و دانشگاه واشنگتن، Motion Policy Networks (MπNets) را ارائه کردند، یک خط مشی عصبی سرتاسری که با استفاده از یک جریان داده استاتیک دوربین، حرکت بی‌درنگ و بدون برخورد ایجاد می‌کند. MPNets که بر روی بیش از 3 میلیون مشکل برنامه ریزی حرکت و 700 میلیون شبیه سازی ابر نقطه آموزش دیده است، به طور موثر محیط های ناشناخته دنیای واقعی را هدایت می کند.

در حالی که مدل MPNets از یادگیری مستقیم مسیرها استفاده می‌کند، تیم همچنین یک مدل برخورد مبتنی بر ابر نقطه‌ای به نام CabiNet را توسعه داد که بر روی بیش از 650000 صحنه شبیه‌سازی شده به‌صورت رویه‌ای ایجاد شده است.

با استفاده از مدل CabiNet، توسعه‌دهندگان می‌توانند سیاست‌های انتخاب و مکان عمومی را برای اشیاء ناشناخته فراتر از یک میز مسطح اجرا کنند. آموزش با مجموعه داده مصنوعی بزرگ به مدل امکان تعمیم به صحنه های توزیع نشده در یک محیط آشپزخانه واقعی، بدون نیاز به داده های واقعی را داد.

چگونه توسعه دهندگان می توانند شروع به ساخت کنند شبیه سازهای رباتیک

با مراجعه به صفحه مورد استفاده شبیه سازی رباتیک NVIDIA، استفاده از منابع فنی، برنامه های کاربردی مرجع و راه حل های دیگر را برای توسعه خطوط لوله شبیه سازی دقیق فیزیکی شروع کنید.

توسعه دهندگان ربات می توانند از NVIDIA Isaac Sim استفاده کنند که از چندین تکنیک آموزشی ربات پشتیبانی می کند:

• تولید داده های مصنوعی برای مدل های آموزشی هوش مصنوعی
• تست نرم افزار درون حلقه ای برای کل مجموعه روباتیک
• آموزش خط مشی روبات با آزمایشگاه آیزاک

توسعه دهندگان همچنین می توانند ROS 2 را با Isaac Sim جفت کنند تا سیستم های ربات خود را آموزش، شبیه سازی و اعتبار سنجی کنند. گردش کار Isaac Sim به ROS 2 شبیه به آنچه در شبیه سازهای روبات دیگر مانند Gazebo انجام می شود، است. این کار با آوردن یک ربات مدل به یک محیط از پیش ساخته شده Isaac Sim، افزودن حسگرها به ربات، سپس اتصال اجزای مربوطه به موشن گرافیک ROS 2 و شبیه سازی ربات با کنترل آن از طریق بسته های ROS 2 آغاز می شود.

با عضویت در کانال ما به روز باشید خبرنامه و NVIDIA Robotics را دنبال کنید لینکدین، اینستاگرام، X و فیس بوک.