¿Qué es la simulación de robótica?

La simulación de robótica es...

Los robots están moviendo mercancías en almacenes, empacando alimentos y ayudando a ensamblar vehículos, cuando no están volteando hamburguesas o sirviendo lattes.

¿Cómo adquirieron tanta habilidad tan rápido? La simulación robótica.

Haciendo grandes avances, está transformando industrias a nuestro alrededor.

Resumen de la Simulación Robótica

Un simulador robótico coloca un robot virtual en entornos virtuales para probar el software del robot sin necesidad del robot físico. Y los últimos simuladores pueden generar conjuntos de datos que se utilizan para entrenar modelos de aprendizaje automático que se ejecutarán en los robots físicos.

• Una guía para mejorar la transformación digital a través de la limpieza de datos
• Ejecución de tareas de Python Wheel en contenedores Docker personalizados en Databricks
• Aprovechando los datos de precipitación y climatología en Sudamérica

En este mundo virtual, los desarrolladores crean versiones digitales de robots, entornos y otros elementos con los que los robots podrían encontrarse. Estos entornos pueden obedecer las leyes de la física y simular la gravedad, la fricción, los materiales y las condiciones de iluminación del mundo real.

¿Quién Utiliza la Simulación Robótica?

Los robots mejoran las operaciones a gran escala en la actualidad. Algunos de los nombres más grandes e innovadores en robótica confían en la simulación robótica.

Los centros de cumplimiento manejan decenas de millones de paquetes al día, gracias a las eficiencias operativas descubiertas en la simulación.

Amazon Robotics lo utiliza para apoyar sus centros de cumplimiento. BMW Group lo utiliza para acelerar la planificación de sus plantas de ensamblaje de automóviles. Soft Robotics lo utiliza para perfeccionar el agarre de alimentos para el empaquetado.

Los fabricantes de automóviles de todo el mundo están apoyando sus operaciones con robótica.

“Las compañías de automóviles emplean a casi 14 millones de personas. La digitalización mejorará la eficiencia, productividad y velocidad de la industria”, dijo el CEO de NVIDIA, Jensen Huang, durante su última presentación en GTC.

Cómo Funciona la Simulación Robótica, en Resumen

Un simulador robótico avanzado comienza aplicando ecuaciones fundamentales de la física. Por ejemplo, puede utilizar las leyes del movimiento de Newton para determinar cómo se mueven los objetos en un pequeño intervalo de tiempo, o un paso de tiempo. También puede incorporar restricciones físicas de un robot, como estar compuesto por articulaciones tipo bisagra o no poder pasar a través de otros objetos.

Los simuladores utilizan varios métodos para detectar posibles colisiones entre objetos, identificar puntos de contacto entre objetos en colisión y calcular fuerzas o impulsos para evitar que los objetos pasen a través de otros. Los simuladores también pueden calcular señales de sensores buscadas por un usuario, como torques en las articulaciones del robot o fuerzas entre el gripper de un robot y un objeto.

El simulador repetirá este proceso tantas veces como lo requiera el usuario. Algunos simuladores, como NVIDIA Isaac Sim, una aplicación construida sobre NVIDIA Omniverse, también pueden proporcionar visualizaciones físicamente precisas de la salida del simulador en cada paso de tiempo.

Utilizando un Simulador Robótico para Obtener Resultados

Un usuario de simulador robótico generalmente importará modelos de diseño asistido por computadora del robot y luego importará o generará objetos de interés para construir una escena virtual. Un desarrollador puede usar un conjunto de algoritmos para realizar planificación de tareas y planificación de movimiento, y luego prescribir señales de control para llevar a cabo esos planes. Esto permite que el robot realice una tarea y se mueva de una manera particular, como recoger un objeto y colocarlo en una ubicación objetivo.

El desarrollador puede observar el resultado de los planes y señales de control y luego modificarlos según sea necesario para garantizar el éxito. Más recientemente, ha habido un cambio hacia métodos basados en el aprendizaje automático. Entonces, en lugar de prescribir directamente señales de control, el usuario prescribe un comportamiento deseado, como moverse a una ubicación sin colisiones. En esta situación, un algoritmo impulsado por datos genera señales de control basadas en las señales simuladas del sensor del robot.

Estos algoritmos pueden incluir aprendizaje por imitación, en el que las demostraciones humanas pueden proporcionar referencias, y aprendizaje por refuerzo, donde los robots aprenden a lograr comportamientos a través de una prueba y error inteligente, logrando años de aprendizaje rápidamente con una experiencia virtual acelerada.

La Simulación Impulsa Avances

La simulación resuelve grandes problemas. Se utiliza para verificar, validar y optimizar diseños y sistemas de robots y sus algoritmos. La simulación también ayuda a diseñar instalaciones para que se optimicen para obtener máxima eficiencia antes de que comience la construcción o remodelación. Esto ayuda a reducir las costosas órdenes de cambio de fabricación.

Para que los robots trabajen de manera segura entre las personas, es necesaria una planificación de movimiento impecable. Para manipular objetos delicados, los robots deben ser precisos al realizar el contacto y agarrar. Estas máquinas, así como los robots móviles autónomos y los sistemas de vehículos, se entrenan con grandes cantidades de datos para desarrollar movimientos seguros.

Basándose en datos sintéticos, las simulaciones están permitiendo avances virtuales que antes no eran posibles. Los robots de hoy, nacidos y criados en la simulación, se utilizarán en el mundo real para resolver todo tipo de problemas.

La Investigación en Simulación Impulsa el Progreso

Impulsados por investigadores, los avances recientes en simulación están mejorando rápidamente las capacidades y flexibilidad de los sistemas de robótica, lo que acelera las implementaciones.

Los investigadores universitarios, a menudo trabajando con NVIDIA Research y los equipos técnicos, están resolviendo problemas de simulación que tienen un impacto en el mundo real. Su trabajo está ampliando el potencial para la comercialización de nuevas capacidades robóticas en numerosos mercados.

Entre ellos, los robots están aprendiendo a cortar materiales blandos como la carne de vacuno y pollo, sujetar tuercas y pernos para el ensamblaje automotriz, así como maniobrar con una planificación de movimiento sin colisiones para almacenes y manipular manos con nuevos niveles de destreza.

Investigaciones como estas tienen promesas comerciales en industrias de billones de dólares.

Avances en la simulación de alta fidelidad basada en la física

La capacidad para modelar la física, mostrada con alta resolución, ha dado inicio a muchos avances industriales.

Investigada durante décadas, las simulaciones basadas en la física ofrecen avances comerciales en la actualidad.

NVIDIA PhysX, parte de la tecnología principal de Omniverse, ofrece simulaciones basadas en la física de alta fidelidad, permitiendo experimentación en entornos virtuales del mundo real.

PhysX permite el desarrollo de la capacidad para evaluar la calidad del agarre para que los robots puedan aprender a agarrar objetos desconocidos. PhysX también es altamente capaz para desarrollar habilidades como la manipulación, la locomoción y el vuelo.

Lanzado como código abierto, PhysX 5 abre las puertas para el desarrollo de aplicaciones industriales en todas partes. Hoy en día, los robóticos pueden acceder a PhysX como parte de Isaac Sim, construido sobre Omniverse.

Los detalles de la simulación de ensamblaje

Con la capacidad de agarre efectiva habilitada, basada en la física, el siguiente paso fue simular un movimiento robótico más capaz aplicable a las industrias.

El ensamblaje es uno de ellos. Es una parte esencial de la construcción de productos para las industrias automotriz, electrónica, aeroespacial y médica. Las tareas de ensamblaje incluyen apretar tuercas y pernos, soldar, insertar conexiones eléctricas y enrutamiento de cables.

Sin embargo, el ensamblaje robótico es un trabajo en progreso de larga data. Esto se debe a que la complejidad de la manipulación física, la variabilidad de las partes y los requisitos de alta precisión y confiabilidad hacen que sea especialmente difícil de completar con éxito, incluso para los humanos.

Esto no ha impedido que investigadores y desarrolladores intenten poner la simulación a trabajar en estas interacciones que involucran mucho contacto, y hay signos de progreso.

Investigadores y simuladores de robótica de NVIDIA en 2022 desarrollaron un enfoque de simulación novedoso para superar el desafío de ensamblaje robótico utilizando Isaac Sim. Su documento de investigación, titulado Factory: Fast Contact for Robotic Assembly, describe un conjunto de métodos de simulación de física y herramientas de aprendizaje de robots para lograr una simulación en tiempo real y más rápida para una amplia gama de interacciones que requieren mucho contacto, incluido el ensamblaje.

Resolviendo la brecha entre la simulación y la realidad en escenarios de ensamblaje

Avanzando en el trabajo de simulación desarrollado en el documento, los investigadores siguieron con un esfuerzo para ayudar a resolver lo que se conoce como la brecha entre la simulación y la realidad.

Esta brecha es la diferencia entre lo que un robot ha aprendido en simulación y lo que necesita aprender para estar listo para el mundo real.

En otro documento, IndustReal: Transferring Contact-Rich Assembly Tasks from Simulation to Reality, los investigadores describieron un conjunto de algoritmos, sistemas y herramientas para resolver tareas de ensamblaje en simulación y transferir estas habilidades a robots reales.

Los investigadores de NVIDIA también han desarrollado un método nuevo, más rápido y más eficiente para enseñar tareas de manipulación de robots en escenarios de la vida real, como abrir cajones o dispensar jabón, entrenando significativamente más rápido que el estándar actual.

El documento de investigación RVT: Robotic View Transformer for 3D Object Manipulation utiliza un tipo de red neuronal llamada transformador de múltiples vistas para producir vistas virtuales a partir de la entrada de la cámara.

El trabajo combina indicaciones de texto, entrada de video y simulación para lograr un tiempo de entrenamiento 36 veces más rápido que el estado del arte actual, reduciendo el tiempo necesario para enseñar al robot de semanas a días, con una mejora del 26 por ciento en la tasa de éxito de las tareas del robot.

Las manos de los robots están adquiriendo destreza de agarre

Los investigadores han asumido el desafío de crear manos más ágiles que puedan trabajar en todo tipo de entornos y asumir nuevas tareas.

Los desarrolladores están construyendo sistemas de agarre robótico para recoger y colocar objetos, pero crear manos altamente capaces con destreza similar a la humana ha resultado ser demasiado complejo hasta ahora. El uso del aprendizaje profundo por refuerzo puede requerir miles de millones de imágenes etiquetadas, lo que lo hace poco práctico.

Los investigadores de NVIDIA que trabajan en un proyecto llamado DeXtreme aprovecharon NVIDIA Isaac Gym y Omniverse Replicator para mostrar que se pueden entrenar a una mano robótica para manipular rápidamente un cubo hasta una posición deseada. Tareas como esta son desafiantes para los simuladores de robótica debido a la gran cantidad de contactos involucrados en la manipulación y porque el movimiento debe ser rápido para realizar la manipulación en un tiempo razonable.

Los avances en destreza manual abren el camino para que los robots manipulen herramientas, haciéndolos más útiles en entornos industriales.

El proyecto DeXtreme, que aplica las leyes de la física, es capaz de entrenar a los robots dentro de su universo simulado 10,000 veces más rápido que si fueran entrenados en el mundo real. Esto equivale a días de entrenamiento en lugar de años.

Esta hazaña del simulador muestra su capacidad para modelar contactos, lo que permite una transferencia de simulación a la realidad, un Santo Grial en la robótica para la destreza manual.

Investigación de Vanguardia sobre el Corte Robótico

Los robots capaces de realizar cortes pueden crear nuevas oportunidades de mercado.

En 2021, un equipo de investigadores de NVIDIA, la Universidad del Sur de California, la Universidad de Washington, la Universidad de Toronto y el Vector Institute, y la Universidad de Sydney ganaron el “Mejor Artículo de Estudiante” en la conferencia Robotics: Science and Systems. El trabajo, titulado DiSECt: Un Motor de Simulación Diferenciable para el Corte Robótico Autónomo, detalla un “simulador diferenciable” para enseñar a los robots a cortar materiales blandos. Anteriormente, los robots entrenados en esta área eran poco confiables.

El simulador DiSECt puede predecir con precisión las fuerzas en un cuchillo mientras presiona y corta materiales biológicos comunes.

DiSECt se basa en el método de elementos finitos, que se utiliza para resolver ecuaciones diferenciales en modelado matemático e ingeniería. Las ecuaciones diferenciales muestran cómo una tasa de cambio, o derivada, en una variable se relaciona con otras. En robótica, las ecuaciones diferenciales suelen describir la relación entre las fuerzas y el movimiento.

Aplicando estos principios, el proyecto DiSECt promete entrenar a los robots en cirugía y procesamiento de alimentos, entre otras áreas.

Enseñando Movimiento Libre de Colisiones para la Autonomía

Entonces, la manipulación, el ensamblaje, la manipulación y el corte robóticos están avanzando. Pero, ¿qué hay de los robots móviles autónomos que pueden navegar de manera segura?

Actualmente, los desarrolladores pueden entrenar a los robots para entornos específicos, como una planta de fabricación, un centro de cumplimiento o una fábrica. Dentro de eso, las simulaciones pueden resolver problemas para robots específicos, como carretillas de paletas, brazos robóticos y robots caminantes. En medio de estas configuraciones caóticas y tipos de robots, hay muchas personas y obstáculos para evitar. En estas escenas, la generación de movimiento libre de colisiones para entornos desconocidos y desordenados es un componente fundamental de las aplicaciones de robótica.

Los enfoques tradicionales de planificación de movimiento que intentan abordar estos desafíos pueden quedarse cortos en entornos desconocidos o dinámicos. SLAM, o localización y mapeo simultáneos, se puede utilizar para generar mapas 3D de entornos con imágenes de cámaras desde múltiples puntos de vista, pero requiere revisiones cuando los objetos se mueven y los entornos cambian.

Para ayudar a superar algunas de estas limitaciones, el equipo de investigación de robótica de NVIDIA ha colaborado con la Universidad de Washington en el desarrollo de un nuevo modelo, llamado Motion Policy Networks (o MπNets). MπNets es una política neural de extremo a extremo que genera movimiento libre de colisiones en tiempo real utilizando un flujo continuo de datos provenientes de una única cámara fija. MπNets ha sido entrenado en más de 3 millones de problemas de planificación de movimiento utilizando una tubería de tejidos geométricos de NVIDIA Omniverse y 700 millones de nubes de puntos renderizadas en simulación. Entrenarlo con conjuntos de datos grandes permite la navegación de entornos desconocidos en el mundo real.

Además de aprender directamente un modelo de trayectoria como en MπNets, el equipo también ha presentado recientemente un nuevo modelo de colisión basado en nubes de puntos llamado CabiNet. Con el modelo CabiNet, se pueden implementar políticas de recogida y colocación de propósito general de objetos desconocidos más allá de una configuración de mesa. CabiNet fue entrenado con más de 650,000 escenas simuladas generadas de manera procedural y fue evaluado en NVIDIA Isaac Gym. El entrenamiento con un gran conjunto de datos sintéticos le permitió generalizar incluso a escenas fuera de distribución en un entorno de cocina real, sin necesidad de datos reales.

Beneficios de la Simulación para las Empresas

Los desarrolladores, ingenieros e investigadores pueden experimentar rápidamente con diferentes diseños de robots en entornos virtuales, evitando métodos de prueba físicos que consumen tiempo y son costosos.

Aplicar diferentes diseños de robots, en combinación con software de robot, para probar la programación del robot en un entorno virtual antes de construir la máquina física reduce los riesgos de tener problemas de calidad que corregir posteriormente.

Aunque esto puede acelerar enormemente la línea de tiempo de desarrollo, también puede reducir drásticamente los costos de construcción y prueba de robots y modelos de IA al tiempo que garantiza la seguridad.

Además, la simulación de cobots, o robots que trabajan con humanos, promete reducir lesiones y facilitar el trabajo, permitiendo una entrega más eficiente de todo tipo de productos.

Y con los paquetes que llegan increíblemente rápido a los hogares de todo el mundo, ¿qué hay que no gustar?

Aprenda sobre NVIDIA Isaac Sim, Jetson Orin, Omniverse Enterprise y Metropolis.

Aprenda más de este curso del Instituto de Aprendizaje Profundo: Introducción a las simulaciones robóticas en Isaac Sim

We will continue to update Zepes; if you have any questions or suggestions, please contact us!