以下文章來源于NVIDIA英偉達企業解決方案，作者NVIDIA

借助機器人仿真，開發人員能夠在基于物理學的現實世界數字呈現中對機器人進行虛擬訓練、測試和驗證。

如今，機器人已經能夠搬運倉庫中的貨物、包裝食品、幫助組裝車輛等，提高了各行各業用例的自動化水平。

物理 AI 和機器人仿真是決定機器人成功的兩大關鍵要素。

物理 AI指的是能夠理解物理世界并與之互動的 AI 模型。物理 AI 代表了下一代自主機械與機器人，例如無人駕駛汽車、工業機械臂、移動機器人、人形機器人，甚至工廠、倉庫等依靠機器人運行的基礎設施。

現在可以在數字世界中對機器人進行虛擬調試，在將機器人部署到現實世界的用例之前，先使用機器人仿真軟件訓練機器人。

1機器人仿真概述

先進的機器人仿真平臺有助于機器人學習和無需實體機器人的虛擬機器人測試。通過應用物理原理和復制現實條件，這些仿真平臺能夠生成合成數據集，并使用這些數據集訓練機器學習模型，從而使這些模型能夠部署到實體機器人上。

仿真被用于初始 AI 模型訓練以及之后整個軟件棧的驗證，最大程度地減少了測試過程中對物理機器人的需求。NVIDIA Isaac Sim 是一個基于 NVIDIA Omniverse 平臺構建的參考應用，該應用提供準確的可視化效果，并支持基于通用場景描述(OpenUSD)的先進機器人仿真和驗證工作流。

2NVIDIA 的“三臺計算機”框架

推動機器人仿真

訓練和部署機器人技術需要三臺計算機。

一臺超級計算機：用于訓練和微調強大的基礎和生成式 AI 模型。

一個用于機器人仿真和測試的開發平臺。

一臺機載運行時計算機，用于將訓練好的模型部署到實體機器人上。

只有在仿真環境中經過充分訓練的實體機器人才能投入使用。

專為機載計算設計的 NVIDIA Jetson Thor 機器人計算機可作為第三臺運行時計算機。

3誰在使用機器人仿真?

如今，機器人技術和機器人仿真大大促進了各種用例的運行。

全球領先的電源和熱能技術公司臺達電子使用仿真測試其光學檢測算法，該算法將被用于檢測生產線上的產品缺陷。

深度技術初創公司 Wandelbots 正通過將 Isaac Sim 集成到其應用中構建一個定制仿真平臺。借助該仿真平臺，終端用戶能夠輕松地對仿真中的機器人工作單元進行編程，并將模型無縫轉移到真實機器人上。

波士頓動力正通過其強化學習研究者套件助力研究人員和開發人員。

傅利葉公司正在對現實條件進行仿真，以便訓練人形機器人，使之獲得與人類密切協作所需的精確性和敏捷性。

銀河通用使用 NVIDIA Isaac Sim 構建了 DexGraspNet。這個用于靈巧機器人抓取的綜合仿真數據集包含 100 多萬次對 5,300 多個物體的 ShadowHand 抓取。該數據集可應用于任何靈巧機器人手，使其完成需要精細運動技能的復雜任務。

4使用機器人仿真提高規劃和控制效果

在復雜多變的工業環境中，不斷發展的機器人仿真集成了數字孿生，從而提高了規劃、控制和學習的效果。

開發人員先是將計算機輔助設計模型導入機器人仿真平臺以構建虛擬場景，然后使用算法創建機器人操作系統并進行任務和運動規劃。傳統方法需要規定控制信號，而在采用機器學習后，機器人可以通過模仿和強化學習等方法，利用仿真傳感器信號學習行為。

這一發展還在繼續。通過將數字孿生應用于裝配生產線等復雜的設施，開發人員可以完全在仿真中測試和完善實時 AI。這種方法節省了軟件開發時間和成本，并通過預測問題減少了停機時間。例如借助 NVIDIA Omniverse、Metropolis 和 cuOpt，開發人員可以使用數字孿生在仿真中開發、測試和完善物理 AI，然后再將其部署到工業基礎設施中。

NVIDIA 將數字孿生與實時 AI 結合以用于工業自動化

5基于物理學的突破性高保真仿真技術

基于物理學的高保真仿真通過在虛擬環境中進行現實世界的實驗，大大推動了工業機器人技術的發展。

集成在 Omniverse 和 Isaac Sim 中的 NVIDIA PhysX 可幫助機器人專家開發機器人機械手的精細運動和大運動技能、剛體和軟體動力學、車輛動力學等其他確保機器人遵守物理定律的關鍵功能。其中包括對機器人運動精確性至關重要的精準執行器控制和運動學建模。

為了縮小仿真與現實世界之間的差距，Isaac Lab 提供了一個高保真開源強化學習和模仿學習框架，實現了策略從仿真環境到實體機器人的無縫遷移。Isaac Lab 通過 GPU 并行化加快訓練速度和提高性能，使工業機器人能夠更加安全地完成復雜的任務。

如要了解關于使用 Isaac Sim 和 Isaac Lab 創建機器人移動強化學習策略的更多信息，請閱讀《開發者專區丨如何訓練 Spot 四足機器人運動?》(點擊跳轉推文)。

6通過無碰撞運動訓練實現自主運行

工業機器人訓練通常在工廠或訂單履行中心等特定環境中進行。在這些環境中，仿真能夠幫助解決與各種機器人類型和混亂環境相關的挑戰，其中的一個重點是在未知、雜亂的環境中生成無碰撞運動。

在未知或動態環境中，如果使用傳統的運動規劃方法應對這些挑戰，那么結果可能會差強人意。SLAM(同步定位和映射)能夠使用多個視角的攝像機圖像生成環境的 3D 地圖。但每當物體移動和環境發生變化時，就需要對這些地圖進行修改。

NVIDIA Robotics 研究團隊和華盛頓大學推出了運動策略網絡(MπNets)。這項端到端神經策略使用一個固定攝像頭的數據流生成實時、無碰撞的運動。經過 300 多萬次運動規劃問題和 7 億次仿真點云的訓練，MπNets 可在未知的現實環境中進行有效的導航。

除了直接學習軌跡的 MπNets 模型之外，該團隊還開發了基于點云的碰撞模型 CabiNet。該模型在超過 65 萬個程序化生成的仿真場景中訓練而成。

憑借 CabiNet 模型，開發人員可以在平面桌面設置之外部署通用的未知物體拾放策略。在使用大型合成數據集進行訓練后，該模型無需任何真實數據，就能在真實廚房環境中泛化到分布外場景。

7開發人員如何開始構建機器人仿真平臺

訪問 NVIDIA 機器人仿真用例頁面，了解開發達到物理學精度的仿真流程所需的技術資源、參考應用和其他解決方案：

機器人開發人員可以使用 NVIDIA Isaac Sim，該應用支持多種機器人訓練技術：

用于訓練感知 AI 模型的合成數據生成

整個機器人堆棧的軟件在環測試

使用 Isaac Lab 進行的機器人策略訓練

開發人員還可以同時使用 ROS 2 與 Isaac Sim 進行機器人系統的訓練、仿真和驗證。Isaac Sim - ROS 2 工作流與使用 Gazebo 等其他機器人仿真平臺執行的工作流類似。該工作流首先將機器人模型載入預構建的 Isaac Sim 環境，為機器人添加傳感器，然后將相關組件連接到 ROS 2 行動圖并通過 ROS 2 軟件包控制機器人實現機器人仿真。