ロボティクスシミュレーションとは何ですか？

'What is robotics simulation?'

ロボットは倉庫内で商品を運搬し、食品を包装し、車両の組み立てを助けています。バーガーをひっくり返したり、ラテを提供することもあります。

彼らはなぜそんなに早くスキルを身につけたのでしょうか？それはロボティクスシミュレーションのおかげです。

進歩を飛躍的に遂げ、私たちの周りの産業を変革しています。

ロボティクスシミュレーションの概要

ロボティクスシミュレータは、物理的なロボットを必要とせずに、仮想環境に仮想ロボットを配置して、ロボットのソフトウェアをテストするものです。また、最新のシミュレータは、物理的なロボット上で実行される機械学習モデルのトレーニングに使用されるデータセットを生成することもできます。

• データのクレンジングを通じたデジタルトランスフォーメーションの向上ガイド
• 南アメリカにおける降水量と気候学的なラスターデータの活用
• DatabricksでカスタムDockerコンテナ内でPython Wheelタスクを実行する

この仮想世界では、開発者はロボットや環境、その他のロボットが遭遇する可能性のある要素のデジタルバージョンを作成します。これらの環境は、物理法則に従い、現実の重力、摩擦、材料、照明条件を模倣することができます。

ロボティクスシミュレーションを使用する人々

ロボットは今日、大規模なスケールで業務を支援しています。最も大きく革新的なロボット企業のいくつかは、ロボティクスシミュレーションに頼っています。

シミュレーションによって明らかにされた運用効率により、フルフィルメントセンターは1日に数千万個のパッケージを処理することができます。

Amazon Roboticsはフルフィルメントセンターを支援するためにそれを使用しています。BMWグループは自動車組立工場の計画を加速するためにそれを活用しています。Soft Roboticsは食品のパッケージングのためのグリッピングを完璧にするためにそれを適用しています。

自動車メーカーは世界中でロボティクスを活用しています。

「自動車メーカーは約1400万人を雇用しています。デジタル化により、産業の効率、生産性、スピードが向上します」とNVIDIAのCEOジェンセン・ファンは最新のGTC基調講演で述べています。

ロボティクスシミュレーションの動作原理

高度なロボティクスシミュレータは、物理の基本方程式を適用することから始まります。例えば、オブジェクトが時間の小さい増分またはタイムステップでどのように移動するかを決定するために、ニュートンの運動の法則を使用することができます。また、ロボットが蝶番のような関節で構成されているか、他のオブジェクトを通過できない制約を組み込むこともできます。

シミュレータは、オブジェクト間の潜在的な衝突を検出し、衝突するオブジェクト間の接点を特定し、オブジェクトが互いに通過するのを防ぐための力や衝撃を計算するためのさまざまな方法を使用します。シミュレータは、ユーザーが求めるセンサーシグナル（例：ロボットの関節でのトルクやロボットのグリッパーとオブジェクトとの間の力）も計算することができます。

シミュレータは、ユーザーが要求するだけのタイムステップ数でこのプロセスを繰り返します。 NVIDIA Isaac Simなどの一部のシミュレータは、各タイムステップでシミュレータの出力を物理的に正確な可視化も提供することができます。

ロボティクスシミュレータの利用方法

ロボティクスシミュレータのユーザーは、通常、ロボットのコンピュータ支援設計モデルをインポートし、仮想シーンを構築するために興味のあるオブジェクトをインポートまたは生成します。開発者は、タスクプランニングやモーションプランニングを実行するためのアルゴリズムのセットを使用し、それらの計画を実行するための制御信号を指定することができます。これにより、ロボットはオブジェクトを拾って目標位置に配置するなど、特定の方法でタスクを実行し移動することができます。

開発者は、計画と制御信号の結果を観察し、必要に応じて修正して成功を確保することができます。最近では、機械学習ベースの手法へのシフトが見られています。つまり、制御信号を直接指定する代わりに、ユーザーは衝突しないように指定された動作（例：特定の場所に移動する）を指定します。この状況では、データ駆動型のアルゴリズムが、ロボットのシミュレートされたセンサーシグナルに基づいて制御信号を生成します。

これらのアルゴリズムには、人間のデモンストレーションからの参照を提供する模倣学習や、知的な試行錯誤を通じて振る舞いを実現する強化学習などが含まれます。これにより、加速度的な仮想体験により、数年分の学習を迅速に達成することができます。

シミュレーションが進歩を促進する

シミュレーションは大きな問題を解決します。それはロボットの設計やシステム、アルゴリズムを検証、検証、最適化するために使用されます。シミュレーションはまた、建設や改装が始まる前に最大の効率を持つように施設の設計を支援します。これにより、コストのかかる製造変更指示を削減するのに役立ちます。

ロボットが人々と安全に共存するためには、完璧なモーションプランニングが必要です。繊細なオブジェクトを扱うためには、接触やグリップが正確である必要があります。これらの機械だけでなく、自律型モビリティロボットや車両システムも、安全な移動を開発するために大量のデータを学習します。

合成データに基づいて、シミュレーションは以前は不可能だった仮想的な進歩を可能にしています。今日のシミュレーションで生まれ育ったロボットは、あらゆる種類の問題を解決するために現実世界で使用されるでしょう。

シミュレーションの研究が進展を促進しています

研究者によって推進され、最近のシミュレーションの進歩は、ロボティクスシステムの能力と柔軟性を急速に向上させ、展開を加速させています。

大学の研究者は、しばしばNVIDIA Researchおよび技術チームと協力して、現実世界に影響を与えるシミュレーションの問題を解決しています。彼らの研究は、新しいロボット技術を商業化する可能性を多くの市場に広げています。

その中には、ロボットが牛肉や鶏肉などの柔らかい材料を切ることを学んだり、自動車の組み立てのためにナットやボルトを締め付けたり、倉庫で衝突を回避する動き計画や新たな器用さを持つ手で物を操作することを学んだりするロボットが含まれます。

このような研究は、数兆ドル規模の産業に商業的な約束を持っています。

高精度で物理ベースのシミュレーションの突破口 

物理モデルを高精度で表現できる能力は、多くの産業の進歩の始まりをもたらしました。

数十年にわたる研究の結果、物理に基づいたシミュレーションは現在、商業的な突破口を提供しています。

Omniverseのコア技術の一部であるNVIDIA PhysXは、高精度な物理ベースのシミュレーションを提供し、仮想環境での現実世界での実験を可能にします。

PhysXにより、ロボットが未知のオブジェクトを掴む能力を評価することができるようになります。PhysXは、操作、移動、飛行などのスキルの開発にも非常に優れています。

PhysX 5はオープンソースとして公開され、産業アプリケーションの開発が可能になりました。現在、ロボット工学者はOmniverse上に構築されたIsaac Simの一部としてPhysXにアクセスすることができます。

組み立てシミュレーションの要点 

物理に基づいた効果的な掴む能力が可能になったことで、次のステップは、産業に適用可能なより能力のあるロボットの操縦をシミュレートすることでした。

組み立て作業は重要なものです。自動車、電子機器、航空宇宙、医療産業の製品を作るための必須の部分です。組み立て作業にはナットやボルトの締め付け、はんだ付けや溶接、電気接続の挿入やケーブルのルーティングなどが含まれます。

しかし、ロボットによる組み立て作業は長年の課題です。物理的な操作の複雑さ、部品の多様性、高い精度と信頼性の要件により、成功することは人間にとっても非常に困難です。

それにもかかわらず、研究者や開発者はシミュレーションを活用して、多くの接触を伴うこれらの相互作用を取り組んでおり、進歩の兆候があります。

NVIDIAのロボットとシミュレーションの研究者たちは、2022年にIsaac Simを使用してロボットの組み立ての課題を克服するための革新的なシミュレーション手法を開発しました。その研究論文である「Factory: Fast Contact for Robotic Assembly」では、組み立てを含む多くの接触が必要な幅広い相互作用に対して、リアルタイムかつ高速なシミュレーションを実現するための一連の物理シミュレーション手法とロボット学習ツールが紹介されています。

組み立てシナリオのシミュレーションから実際の世界への解決 

論文で開発されたシミュレーション作業を進めるために、研究者たちは「シミュレーションと実際のロボット間のギャップ」と呼ばれる問題の解決を支援する取り組みを行いました。

このギャップは、ロボットがシミュレーションで学んだことと、実世界で学ぶ必要があることとの違いを指します。

研究者たちは、別の論文「IndustReal: Transferring Contact-Rich Assembly Tasks from Simulation to Reality」で、シミュレーションでの組み立てタスクを解決するためのアルゴリズム、システム、ツールを提案しています。

NVIDIAの研究者たちは、実際のシナリオでロボットの操作タスクを教えるための新しい、より速く効率的な方法も開発しました。引き出しを開けたり、石鹸を出したりするといったタスクを、現在の標準よりもはるかに速く訓練することができます。

研究論文「RVT: Robotic View Transformer for 3D Object Manipulation」では、マルチビュートランスフォーマーというタイプのニューラルネットワークを使用して、カメラの入力から仮想的なビューを生成する方法が説明されています。

この研究では、テキストのプロンプト、ビデオの入力、およびシミュレーションを組み合わせて、現在の最先端と比べて36倍の高速な訓練時間を達成し、ロボットのタスク成功率を26％向上させることができました。

ロボットハンドの器用さ 

研究者たちは、さまざまな環境で動作し、新しいタスクをこなすことができるより機敏なハンドの開発に取り組んでいます。

開発者は、アイテムの取り扱いに適したロボットのグリップシステムを構築していますが、人間のような器用さを持つ高度なハンドの開発は、現在のところ複雑すぎるとされています。深層強化学習を使用する場合、数十億のラベル付き画像が必要であり、実用的ではありません。

NVIDIAの研究者は、DeXtremeというプロジェクトで、NVIDIA Isaac GymとOmniverse Replicatorを活用し、ロボットハンドが素早くキューブを所定の位置に操作するために訓練できることを示しました。このようなタスクは、多くの接触が関与するため、ロボットシミュレーターにとっては課題です。また、操作は時間内に行うために速くなければなりません。

手先の器用さの進歩により、ロボットは道具を扱う能力を身につけ、産業現場での利用価値が高まっています。

物理法則を適用するDeXtremeプロジェクトは、シミュレートされた宇宙内でロボットをトレーニングすることができ、現実世界でのトレーニングよりも10,000倍速く行うことができます。これは、数日のトレーニングに相当し、年単位の時間を節約することができます。

このシミュレータの快挙は、シミュレーションと現実のトランスファーが可能であり、手先の器用さにおけるロボット工学の聖杯と言えます。

ロボットカッティングの最先端研究

カットが可能なロボットは新たな市場の機会を創出することができます。

2021年、NVIDIA、南カリフォルニア大学、ワシントン大学、トロント大学およびベクター研究所、シドニー大学の研究者チームが「Best Student Paper」を受賞しました。この研究は、DiSECtという「微分可能なシミュレーションエンジン」を使用して、ロボットに柔らかい材料を切る方法を教えることを詳細に説明しています。これまで、この分野で訓練されたロボットは信頼性に欠けていました。

DiSECtシミュレータは、一般的な生体材料を切り抜く際のナイフにかかる力を正確に予測することができます。

DiSECtは、数学的モデリングおよびエンジニアリングで微分方程式を解くために使用される有限要素法に基づいています。微分方程式は、一つの変数の変化率（または導関数）が他の変数とどのように関連しているかを示します。ロボット工学では、微分方程式は通常、力と運動の関係を説明します。

これらの原理を適用することで、DiSECtプロジェクトは手術や食品加工など、さまざまな分野でロボットの訓練に有望です。

自律的な衝突回避動作の教育

したがって、ロボットの掴む、組み立てる、操作する能力はすべて向上しています。しかし、安全に移動できる自律型モービルロボットはどうでしょう？

現在、開発者は特定の環境（工場、フルフィルメントセンター、製造工場など）向けにロボットを訓練することができます。その中で、シミュレーションはパレットジャック、ロボットアーム、歩行ロボットなどの特定のロボットに対して問題を解決することができます。これらの混沌とした環境とロボットの種類の中で、回避すべき人や障害物がたくさんあります。このようなシーンでは、未知の、混雑した環境での衝突回避動作の生成がロボットアプリケーションの中核的な要素となります。

これらの課題に対処しようとする従来の動作計画アプローチは、未知の環境や動的な環境では十分な結果を出すことができません。SLAM（同時位置推定と地図作成）は、複数の視点からのカメラ画像を使用して環境の3Dマップを生成するために使用できますが、オブジェクトが移動したり環境が変化した場合に修正が必要です。

これらの制約をいくつか克服するために、NVIDIA Robotics研究チームは、ワシントン大学と共同開発した新しいモデル、Motion Policy Networks（またはMπNets）を開発しました。MπNetsは、単一の固定カメラからの連続したデータストリームを使用して、リアルタイムで衝突回避動作を生成するエンドツーエンドのニューラルポリシーです。MπNetsは、NVIDIA Omniverseの幾何学的なファブリックとシミュレーションでレンダリングされた7億点の点群を使用して、300万以上の動作計画問題で訓練されています。大規模なデータセットでトレーニングすることで、未知の環境でのナビゲーションが可能になります。

MπNetsのように軌道モデルを直接学習するだけでなく、チームは最近、CabiNetと呼ばれる新しいポイントクラウドベースの衝突モデルを発表しました。CabiNetモデルでは、テーブルトップのセットアップを超えて未知のオブジェクトの一般的なピックアンドプレースポリシーを展開することができます。CabiNetは、65万以上の手続き的に生成されたシミュレートされたシーンで訓練され、NVIDIA Isaac Gymで評価されました。大規模な合成データセットでトレーニングすることで、実際のキッチン環境での分布外シーンにも対応できます。

ビジネスへのシミュレーションのメリット

開発者、エンジニア、研究者は、仮想環境でさまざまな種類のロボット設計を試行し、時間と費用のかかる物理的なテスト手法を回避することができます。

仮想環境でロボットのソフトウェアと組み合わせてさまざまな種類のロボット設計を適用し、物理的なマシンを構築する前にロボットのプログラミングをテストすることで、品質問題を後から修正するリスクを減らすことができます。

この方法により、開発のタイムラインを大幅に短縮するだけでなく、ロボットやAIモデルの構築およびテストのコストを大幅に削減し、安全性を確保することもできます。

また、ロボットのシミュレーションは、在庫データベースなどのビジネスシステムとロボットを接続するのに役立ちます。これにより、ロボットはアイテムの位置を把握することができます。

人間と協力して作業する共同ロボットのシミュレーションは、負傷を減らし、仕事を簡単にすることが期待されており、あらゆる種類の製品の効率的な配送を可能にします。

そして、パッケージがどんどん家に届く中、それに好意的ではないことはありません。

NVIDIA Isaac Sim、Jetson Orin、Omniverse Enterprise、および Metropolis について学びましょう。

Deep Learning Institute のコース「Isaac Sim におけるロボティックシミュレーションの紹介」でさらに学びましょう。

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