Simulación de Robótica

Los robots físicos y las flotas de robots que funcionan con IA necesitan detectar, planificar y realizar tareas complejas de forma autónoma en el mundo físico. Estas incluyen el transporte y la manipulación de objetos de forma segura y eficiente en entornos dinámicos e impredecibles.

Para lograr este nivel de autonomía, se necesita un enfoque de “simulación primero”.

La simulación de robots les permite a los desarrolladores entrenar, simular y validar estos sistemas avanzados a través del aprendizaje y las pruebas de robots virtuales. Este enfoque de simulación primero también se aplica a las pruebas de flotas de múltiples robots y les permite a los sistemas autónomos comprender e interactuar con instalaciones industriales en función de los datos de producción en tiempo real, las entradas de sensores y el razonamiento. Todo sucede en representaciones digitales de entornos basadas en la física, como almacenes y fábricas, antes de la implementación.

La simulación puede habilitar nuevos casos de uso al arrancar el entrenamiento de los modelos de políticas fundacionales y de robots con la generación de datos sintéticos, o SDG. Estos datos pueden consistir en texto, imágenes 2D o 3D en el espectro visual y no visual, e incluso datos de movimiento que se pueden usar junto con datos del mundo real para entrenar modelos de IA física multimodales.

La aleatorización de dominios es un paso clave en el workflow de la SDG, donde se pueden cambiar muchos parámetros de una escena para generar un conjunto de datos diverso. Estos pueden incluir aspectos como la ubicación, el color, las texturas y la iluminación de los objetos. El aumento en el posprocesamiento con los world foundation models (WFM) de NVIDIA Cosmos™ se puede usar para diversificar aún más los datos generados y agregar el realismo necesario para reducir la brecha entre la simulación y la realidad

El aprendizaje de robots es fundamental para garantizar que las máquinas autónomas puedan usar habilidades sólidas de forma reiterada y eficiente en el mundo físico. La simulación de alta fidelidad proporciona un campo de entrenamiento virtual para que los robots perfeccionen sus habilidades mediante la imitación o a través de ensayo y error. Esto garantiza que los comportamientos aprendidos por el robot en la simulación se puedan transferir más fácilmente al mundo real.

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

Los blueprints básicos 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 usar para entrenar los modelos de fundación abierta Isaac GR00T N dentro de Isaac Lab, lo que permite un razonamiento humanoide más amplio y una sólida adquisición de habilidades.

El software en bucle (SIL) es una etapa de prueba y validación esencial en el desarrollo de software para sistemas robóticos que funcionan con IA. En SIL, el software que controla al robot se prueba en un entorno simulado en lugar de en hardware real.

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 ambientales.  Isaac Sim les proporciona a los desarrolladores las funciones necesarias para probar que la pila de software de los robots se comporte en la simulación como lo haría en el robot físico, lo que mejora la validez de los resultados de las pruebas.

El SIL también se puede extender de un solo robot a flotas de robots. Los almacenes y otras instalaciones industriales son entornos logísticos altamente complejos con desafíos como las fluctuaciones de la demanda, las restricciones de espacio y la disponibilidad de la fuerza laboral. Estos entornos pueden beneficiarse de la integración de flotas de sistemas robóticos para respaldar las operaciones.

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

La generación de datos sintéticos, el aprendizaje de robots y las pruebas de robots son workflows altamente interdependientes y requieren una orquestación cuidadosa en una infraestructura heterogénea. Los workflows robóticos también requieren especificaciones fáciles de desarrollar que simplifiquen la configuración de la infraestructura, formas fáciles de rastrear datos y modelar el linaje, y una forma segura y optimizada de implementar cargas de trabajo.