基于Omniverse的NVIDIA Isaac Sim 現(xiàn)已發(fā)布公測版

—— 全新Isaac模擬引擎不但能夠創(chuàng)造更逼真的環(huán)境，而且還能簡化合成數(shù)據(jù)生成和域隨機化，從而建立真值數(shù)據(jù)集來訓練用于物流、倉庫、未來工廠等的各種機器人

作者：時間：2021-06-23 來源：電子產品世界

加入技術交流群
- 掃碼加入
  和技術大咖面對面交流
  海量資料庫查詢

Omniverse是NVIDIA模擬器的根本基礎，包括加入了多項新功能的Isaac平臺。NVIDIA Isaac Sim目前已發(fā)布公測版，您可以通過該平臺探索更高級的機器人模擬功能。

本文引用地址：http://2s4d.com/article/202106/426497.htm

Isaac Sim基于NVIDIA Omniverse平臺而構建，它是一個機器人模擬應用與合成數(shù)據(jù)生成工具。機器人專家可使用它更高效地訓練和測試機器人，模擬機器人與指定環(huán)境的真實互動，而且這些環(huán)境可以超越現(xiàn)實世界。

Isaac Sim的發(fā)布還增加了經過改進的多攝像頭支持功能、傳感器功能以及一個PTC OnShape CAD導入器，讓3D素材的導入變得更加輕松。從實體機器人的設計和開發(fā)、機器人的訓練，到在“數(shù)字孿生”中的部署（數(shù)字孿生是一種精確、逼真的機器人模擬和測試虛擬環(huán)境），這些新功能將全方位地擴大可以建模和部署的機器人和環(huán)境范圍。

主要新功能

● 支持多攝像頭

● 帶合成數(shù)據(jù)的魚眼相機

● 支持ROS2

● PTC OnShape導入器

● 經過改進的傳感器支持

○ 超聲波傳感器

○ 力傳感器

○ 自定義激光雷達模式

● 可從NVIDIA Omniverse Launcher中下載

Isaac Sim可以將多攝像頭傳感器數(shù)據(jù)發(fā)送到Rviz（ROS可視化工具）

在Isaac Sim中控制Dofbot操作機器人

Isaac Sim實現(xiàn)了更多的機器人模擬

開發(fā)者早已明白強大的模擬環(huán)境對機器人測試和訓練的益處，但此類模擬器往往存在著限制其使用的缺點。Isaac Sim通過以下優(yōu)勢來彌補這些缺點。

逼真的模擬

為了提供逼真的機器人模擬，Isaac Sim運用了Omniverse平臺的強大技術：使用PhysX 5進行高級GPU物理模擬、借助實時光線追蹤和路徑追蹤實現(xiàn)高逼真度，以及支持物理渲染的材質定義語言（Material Definition Language ，MDL）。

模塊化設計與豐富的應用

Isaac Sim專為解決許多最常見的機器人用例而創(chuàng)建，包括操控、自主導航和用于訓練數(shù)據(jù)的合成數(shù)據(jù)生成。其模塊化設計能夠讓用戶輕松自定義和擴展工具集，以適應多種應用和環(huán)境。

無縫連接和互操作性

借助NVIDIA Omniverse，Isaac Sim可以使用Omniverse Nucleus和Omniverse Connectors在通用場景描述（USD）中合作構建、分享、導入環(huán)境模型與機器人模型。通過ROS/ROS2接口或功能齊全的Python腳本，以及用于導入機器人模型和環(huán)境模型的插件，可以輕松地讓機器人的大腦與虛擬世界相連。

Isaac Sim的合成數(shù)據(jù)生成助力實現(xiàn)機器學習

合成數(shù)據(jù)生成是一個重要的工具，它正在被越來越多地用于訓練當今機器人的感知模型。獲取真實世界的、正確標記的數(shù)據(jù)是一項耗時且成本高昂的工作。但就機器人技術而言，在現(xiàn)實世界中收集某些所需的訓練數(shù)據(jù)可能太困難或太危險。對于必須靠近人類工作的機器人來說尤其如此。

Isaac Sim 內置了對訓練感知模型很重要的各種傳感器類型的支持。這些傳感器包括 RGB、深度、邊界框和分割。

玻璃物體的真值合成數(shù)據(jù)

在公測版中，我們能夠輸出KITTI格式的合成數(shù)據(jù)。這些數(shù)據(jù)可以直接用于NVIDIA遷移學習工具包，以使用特定用例數(shù)據(jù)提高模型性能。

域隨機化

域隨機化能夠對定義模擬場景的參數(shù)進行更改，如場景中的照明、顏色和材質紋理等。域隨機化的主要目標之一，便是通過將神經網絡暴露在所模擬的各種域參數(shù)中，來加強機器學習（machine learning ，ML）模型的訓練。這有助于模型在真實世界場景中實現(xiàn)有效的泛化。實際上，這項技術能夠教會模型忽略不重要的內容。