Simulación de robótica

Simule, pruebe y valide robots y flotas multirobóticas basados en IA física.

Fraunhofer IML

Fraunhofer IML

Cargas de trabajo

Robótica
Simulación/Modelado/Diseño

Sectores

Fabricación
Ciudades/espacios inteligentes
Venta minorista/Bienes de consumo envasados
Atención sanitaria y ciencias de la vida

Objetivo comercial

Innovación

Productos

NVIDIA Isaac Sim
NVIDIA Omniverse

Descripción

¿Qué es la simulación de robots?

Los robots y las flotas robóticas con tecnología de IA física necesitan detectar, planificar y realizar tareas complejas de forma autónoma en el mundo físico. Esto incluye el transporte y la manipulación de objetos de forma segura y eficiente en entornos dinámicos e impredecibles.  

Para lograr este nivel de autonomía se requiere un enfoque de «simulación primero». 

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

Pruebe flotas multirobots para la automatización industrial

Simule, pruebe y optimice flotas robóticas y de IA física a escala en gemelos digitales industriales antes de la implementación en el mundo real.

¿Por qué simular?

Icono decorativo

Ponga en marcha el desarrollo de modelos de IA

Ponga en marcha el entrenamiento de modelos de IA con datos sintéticos generados a partir de entornos de gemelos digitales cuando los datos del mundo real están limitados o restringidos.

Icono decorativo

Escale sus pruebas

Pruebe un solo robot o una flota de robots industriales en tiempo real en varias condiciones y configuraciones.

Icono decorativo

Reduzca los costes

Optimice el rendimiento del robot y reduzca el número de prototipos físicos necesarios para las pruebas y la validación.

Icono decorativo

Probar con seguridad

Pruebe de forma segura escenarios potencialmente peligrosos sin poner en riesgo la seguridad humana ni dañar el equipo.


Implementación técnica

Flujos de trabajo impulsados por simulación de robótica

Entrenamiento de cerebros de robots

La simulación puede abrir casos de uso novedosos al iniciar el entrenamiento de modelos de políticas fundamentales y de robots con generación de datos sintéticos o SDG. Estos datos pueden constar de texto, imágenes 2D o 3D en los espectros visual y no visual, e incluso datos de movimiento que se pueden utilizar junto con datos del mundo real para entrenar modelos de IA física multimodal. 

La aleatorización de dominio es un paso clave en el flujo de trabajo de la SDG, en el que se pueden cambiar muchos parámetros en una escena para generar un conjunto de datos diverso, desde la ubicación hasta el color, las texturas y la iluminación de los objetos. El aumento en el posprocesamiento con los modelos básicos de mundo (WFM) de NVIDIA Cosmos™ se puede utilizar para diversificar aún más los datos generados y añadir el realismo necesario para reducir la brecha entre la simulación y la realidad.

Ayudar a los robots a aprender en un terreno de juego digital

El aprendizaje de robots es crítico para garantizar que las máquinas autónomas puedan realizar habilidades robustas repetida y eficientemente en el mundo físico. La simulación de alta fidelidad proporciona un campo de entrenamiento virtual para que los robots perfeccionen sus habilidades a través de prueba y error o mediante imitación. Esto garantiza que los comportamientos aprendidos por el robot en la simulación sean más fácilmente transferibles al mundo real.

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

Prueba y validación de robots

Prueba de robots individuales

Las pruebas de software en bucle (SIL) es una etapa crítica de prueba y validación en el desarrollo de software para sistemas de robótica físicos con IA. En las SIL, el software que controla el robot se prueba en un entorno simulado en lugar de en el hardware real.

Simulación de robots

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 medioambientales. Isaac Sim proporciona a los desarrolladores las características necesarias para probar que la pila de software del robot se comporta en la simulación como lo haría en el robot físico, lo que mejora la validez de los resultados de las pruebas.

Prueba de flotas multirobots

SIL también se puede ampliar desde un solo robot a flotas de robots. Los almacenes y otras instalaciones industriales son entornos logísticos altamente complejos con desafíos que incluyen fluctuaciones de la demanda, restricciones de espacio y disponibilidad de fuerza de trabajo. Estos entornos pueden beneficiarse de la integración de flotas de sistemas robóticos para ayudar en las operaciones.

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

Orquestación de cargas de trabajo de robótica

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

NVIDIA OSMO proporciona una plataforma de orquestación nativa de la nube para escalar cargas de trabajo de robótica complejas, en varias etapas y en varios contenedores en las nubes locales, privadas y públicas.

Empezar

Más información sobre NVIDIA Isaac Lab para el aprendizaje de robots.

Últimas noticias sobre robótica

National Robotics Week — Latest Physical AI Research, Breakthroughs and Resources
April 12, 2025
This National Robotics Week, NVIDIA highlighted the pioneering technologies that are shaping the future of intelligent machines and driving progress across manufacturing, healthcare, logistics and more. Advancements in robotics simulation and robot learning are driving this fundamental shift in the industry. Plus, the emergence of world foundation models is accelerating the evolution of AI-enabled robots Read Article
Industrial Ecosystem Adopts Mega NVIDIA Omniverse Blueprint to Train Physical AI in Digital Twins
March 31, 2025
Advances in physical AI are enabling organizations to embrace embodied AI across their operations, bringing unprecedented intelligence, automation and productivity to the world’s factories, warehouses and industrial facilities. Humanoid robots can work alongside human teams, autonomous mobile robots (AMRs) can navigate complex warehouse environments, and intelligent cameras and visual AI agents can monitor and optimize Read Article
NVIDIA Unveils Open Physical AI Dataset to Advance Robotics and Autonomous Vehicle Development
March 18, 2025
Teaching autonomous robots and vehicles how to interact with the physical world requires vast amounts of high-quality data. To give researchers and developers a head start, NVIDIA is releasing a massive, open-source dataset for building the next generation of physical AI. Announced at NVIDIA GTC, a global AI conference taking place this week in San Read Article
NVIDIA Open-Sources cuOpt, Ushering in New Era of Decision Optimization
March 18, 2025
Every second, businesses worldwide are making critical decisions. A logistics company decides which trucks to send where. A retailer figures out how to stock its shelves. An airline scrambles to reroute flights after a storm. These aren’t just routing choices — they’re high-stakes puzzles with millions of variables, and getting them wrong costs money and, Read Article

Casos de uso relacionados

Select Location
Middle East