工業企業正在積極使用物理 AI 和自主系統改變自己的運營方式。這涉及到在整個工廠和倉庫部署異構機器人機群，包括移動機器人、人形助手、智能攝像頭和 AI 智能體等。

為了充分發揮這些物理 AI 系統的潛力，企業需要依靠其設施的數字孿生（即用于仿真和優化自主系統如何交互和執行復雜任務的虛擬環境）。這種以仿真為中心的方法使企業能夠在實際部署前驗證機器人機群在動態環境中的協調和適應能力，從而更快過渡到真正的工業自主化運營。

工業數字孿生中的機器人機群仿真

Mega NVIDIA Omniverse Blueprint 可幫助企業加快工廠、倉庫和工業設施中的物理 AI 開發與部署。

借助該工作流，開發者能夠使用傳感器仿真與合成數據生成技術對復雜的自主運營進行仿真，并在實際部署前在工業數字孿生中驗證物理 AI 系統的性能。

本文將解釋該藍圖的各個組成部分，以便您開發自己的機器人機群仿真和驗證管線。

圖 1 Mega NVIDIA Omniverse Blueprint 的架構

設施或機群管理系統

機群管理系統負責幫助企業管理、協調和優化機器人機群，以實現特定目標或完成特定任務，例如運輸貨物、分揀物品、管理庫存等。為了提高決策能力，可以將這些系統集成到工作流中。在將這些系統連接到企業數據湖后，機群管理器就可以訪問并使用大量數據提高協調性和優化機群任務。

圖 2 機群管理系統幫助企業管理、協調和優化機器人機群

該藍圖中的集成機群管理軟件使用行業標準 VDA5050 接口與各種機器人大腦連接。該接口是機器人機群與中央主控制器之間進行通信的開放標準，可確保機群管理器能夠有效地與機器人進行通信并對其進行控制。

機器人大腦和機器人策略

機器人大腦是簡單還是復雜取決于實際機器人操作的需要。作為決策系統，機器人大腦或策略根據接收到的輸入決定機器人應該做什么，并通過輸入數據和輸出操作定義行為。傳感器通過各種方式——例如攝像頭或激光雷達——收集數據，然后機器人根據所學策略對這些數據進行處理。在處理完畢后，策略就會輸出動作，然后將動作發送給執行器。這些機器人大腦以容器的形式集成到該藍圖中，提供了與真實機器人相同的執行和傳感器接口。

圖 3 機器人策略藍圖架構的組成部分

機器人大腦通過執行接口向機器人本體發送執行或控制信號。該藍圖提供了執行接口的參考實現，可根據正確的通用場景描述（OpenUSD）模式（schema）將執行命令轉化為 ROS2 主題，確保控制信號準確傳輸至虛擬環境中的機器人本體。

執行接口對于控制機器人的動作和行動至關重要。開發者可根據具體機器人大腦的需要修改或替換該接口，使控制信號符合每個機器人的特殊要求。

機器人大腦通過傳感器接口接收來自傳感器的數據。該藍圖為開發者提供了傳感器接口的參考實現，可將通過傳感器 RTX 的 gRPC 流接收到的傳感器數據轉換為供機器人大腦使用的 ROS2 主題。這可以保證機器人大腦接收到準確、及時的傳感器數據，以便做出明智的決策和成功執行任務。

開發者還可以將使用 NVIDIA Metropolis 和適用于視頻搜索和摘要的 NVIDIA AI 藍圖構建的高級視覺 AI 智能體集成到工作流中，為工業運營提供更加豐富的洞察和更好的決策。

世界仿真器

世界仿真器（World Simulator）使用 NVIDIA Omniverse 開發而成并以 OpenUSD Stage 表示。該仿真器在仿真運行時運行，負責維護仿真狀態和確保所有組件的同步性與準確性。

圖 4 世界仿真器藍圖負責維護仿真狀態

傳感器 RTX

NVIDIA Omniverse 云傳感器 RTX API 使開發者能夠對機器人在現實世界中遇到的情況進行精確的仿真。開發者可以使用這些 API 渲染攝像頭、雷達和激光雷達傳感器的輸出，并結合世界仿真器生成的 OpenUSD 數據創建全面、達到物理學精度的工業設施數字孿生。這些 API 構建在 NVIDIA 托管可擴展功能的云框架——NVIDIA Cloud Functions 上。

圖 5 傳感器 RTX 可對機器人在現實世界中遇到的情況進行精確的仿真

調度器

最后但同樣重要的是管理時間和整體執行情況的調度器。調度器負責對延遲情況進行建模、管理多速率執行以及在執行復雜的生產者-消費者圖時遵守數據依賴關系，保證仿真能夠順利、準確地運行，從而提供一個可靠的測試和驗證環境。

圖 6 調度器管理時間和整體執行

開始使用

通過使用這一強大的參考工作流，開發者可以測試復雜的場景、降低機隊測試成本、加快調試速度并提高實際運營的效率和效果。

入門者可使用開發者入門套件快速開發和改進自己的應用和服務。