¿Qué Es la Simulación Robótica?

Los robots mueven mercancías en almacenes, empaquetan alimentos y ayudan a ensamblar vehículos, cuando no están preparando hamburguesas o sirviendo café con leche.

¿Cómo se volvieron tan hábiles tan rápido? Simulación de robótica.

Dando saltos en el progreso, está transformando industrias a nuestro alrededor.

Simulación de Robótica Resumida

Un simulador de robótica coloca un robot virtual en entornos virtuales para probar el software del robot sin necesidad del robot físico. Y los simuladores más recientes pueden generar conjuntos de datos que se utilizarán para entrenar modelos de machine learning que se ejecutarán en los robots físicos.

En este mundo virtual, los desarrolladores crean versiones digitales de robots, entornos y otros activos que los robots pueden encontrar. Estos entornos pueden obedecer las leyes de la física e imitar la gravedad, la fricción, los materiales y las condiciones de iluminación del mundo real.

¿Quién Usa la Simulación Robótica?

Los robots impulsan las operaciones a gran escala en la actualidad. Algunos de los nombres más grandes e innovadores en robots 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 usa para respaldar sus centros de cumplimiento. BMW Group lo aprovecha para acelerar la planificación de sus plantas de ensamblaje de automóviles. Soft Robotics lo aplica para perfeccionar el agarre para recoger y colocar alimentos para envasar.

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

“Las empresas de automóviles emplean a casi 14 millones de personas. La digitalización mejorará la eficiencia, la productividad y la velocidad de la industria”, dijo el CEO de NVIDIA, Jensen Huang, durante su último discurso de apertura de GTC.

Cómo Funciona la Simulación Robótica, En Resumen

Un simulador de robótica avanzada comienza aplicando ecuaciones fundamentales de la física. Por ejemplo, puede usar las leyes de movimiento de Newton para determinar cómo se mueven los objetos en un pequeño incremento de tiempo o en un intervalo de tiempo. También puede incorporar restricciones físicas de un robot, como estar compuesto de articulaciones en forma de bisagra o no poder atravesar otros objetos.

Los simuladores utilizan varios métodos para detectar posibles colisiones entre objetos, identificar puntos de contacto entre objetos que chocan y calcular fuerzas o impulsos para evitar que los objetos se atraviesen entre sí. Los simuladores también pueden calcular las señales de los sensores que busca un usuario, como los pares en las articulaciones del robot o las fuerzas entre la pinza de un robot y un objeto.

A continuación, el simulador repetirá este proceso durante tantos intervalos de tiempo como requiera el usuario. Algunos simuladores, como NVIDIA Isaac Sim, una aplicación basada en NVIDIA Omniverse, también pueden proporcionar visualizaciones físicamente precisas de la salida del simulador en cada paso de tiempo.

Uso de un Simulador de Robótica para Resultados

Un usuario del simulador de robótica normalmente importará modelos de diseño asistidos por computadora del robot e importará o generará objetos de interés para construir una escena virtual. Un desarrollador puede usar un conjunto de algoritmos para realizar la planificación de tareas y la planificación de movimientos, 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 de destino.

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 machine learning. Entonces, en lugar de prescribir directamente señales de control, el usuario prescribe un comportamiento deseado, como moverse a un lugar sin chocar. En esta situación, un algoritmo basado en datos genera señales de control basadas en las señales del sensor simulado del robot.

Estos algoritmos pueden incluir el aprendizaje por imitación, en el que las demostraciones humanas pueden proporcionar referencias, y el aprendizaje por refuerzo, en el que los robots aprenden a lograr comportamientos a través de 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 optimizar las instalaciones de diseño para obtener la máxima eficiencia antes de que comience la construcción o la remodelación. Esto ayuda a reducir las costosas órdenes de cambio de fabricación.

Para que los robots trabajen de forma segura entre las personas, es necesaria una planificación de movimiento impecable. Para manejar objetos delicados, los robots deben ser precisos al hacer 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 un movimiento seguro.

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

La Investigación en Simulación Está Impulsando el Progreso

Impulsados por investigadores, los avances recientes en simulación están mejorando rápidamente las capacidades y la flexibilidad de los sistemas robóticos, lo que está acelerando las implementaciones.

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

Entre ellos, los robots están aprendiendo a cortar materiales blandos como carne de res y pollo, ajustar tuercas y pernos para el ensamblaje de automóviles, maniobrar con planificación de movimiento sin colisiones para almacenes y manipular las manos con nuevos niveles de destreza.

Tal investigación tiene una promesa comercial en industrias de billones de dólares.

Avances en Simulación de Alta Fidelidad Basada en la Física

La capacidad de modelar la física, que se muestra en alta resolución, marcó el comienzo de muchos avances industriales.

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

NVIDIA PhysX, parte de la tecnología central de Omniverse, ofrece simulaciones basadas en la física de alta fidelidad, lo que permite la experimentación del mundo real en entornos virtuales.

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

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

Las Tuercas y Tornillos de la Simulación de Ensamblaje

Con el agarre efectivo habilitado, basado en la física, el siguiente paso fue simular maniobras robóticas más capaces aplicables a las industrias.

La asamblea es grande. 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 enrutar cables.

El ensamblaje robótico, sin embargo, es un trabajo en progreso de larga data. Esto se debe a que la complejidad de la manipulación física, la variabilidad de las piezas y los requisitos de alta precisión y confiabilidad hacen que sea más complicado completarlo con éxito, incluso para los humanos.

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

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

Resolviendo la Brecha de Simulación a Real para 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 llama la brecha entre la simulación y la realidad.

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

En otro artículo, 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 (abrir cajones o dispensar jabón), entrenando significativamente más rápido que el estándar actual.

El trabajo de investigación RVT: Robotic View Transformer for 3D Object Manipulation utiliza un tipo de red neuronal llamada transformador multivista 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 actual de la técnica, 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 la tarea del robot.

Las Manos de los Robots Están Agarrando Destreza

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 robóticos para recoger y colocar artículos, pero hasta ahora ha resultado demasiado complejo crear manos altamente capacitadas con destreza similar a la humana. El uso del aprendizaje por refuerzo profundo 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 demostrar que podría usarse para entrenar una mano robótica para manipular rápidamente un cubo en la posición deseada. Tareas como esta son desafiantes para los simuladores de robótica porque hay una 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 la destreza manual allanan el camino para que los robots manejen herramientas, haciéndolos más útiles en entornos industriales.

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

Esta hazaña del simulador muestra que tiene la capacidad de modelar contactos, lo que permite una transferencia de simulación a real, un santo grial en robótica para la destreza manual.

Investigación de Vanguardia sobre Corte Robótico

Los robots que son capaces de cortar 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 Instituto Vector y la Universidad de Sídney ganaron el premio al «Mejor artículo de estudiante» en la conferencia “Robotics: Science and Systems”. El trabajo, titulado DiSECt: A Differentiable Simulation Engine for Autonomous Robotic Cutting, detalla un «simulador diferenciable» para enseñar a los robots a cortar materiales blandos. Anteriormente, los robots entrenados en esta área no eran confiables.

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

DiSECt se basa en el método de elementos finitos, que se utiliza para resolver ecuaciones diferenciales en ingeniería y modelos matemáticos. 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 fuerzas y movimiento.

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

Enseñanza del Movimiento Libre de Colisiones para la Autonomía

Por lo tanto, el agarre, el ensamblaje, la manipulación y el corte robóticos están dando pasos agigantados. Pero, ¿qué pasa con los robots móviles autónomos que pueden navegar con seguridad?

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

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

Para ayudar a superar algunas de estas deficiencias, el equipo de investigación de NVIDIA Robotics ha desarrollado conjuntamente con la Universidad de Washington un nuevo modelo, denominado Motion Policy Networks (o MπNets). MπNets es una política neuronal de extremo a extremo que genera movimiento sin colisiones en tiempo real utilizando un flujo continuo de datos provenientes de una sola cámara fija. MπNets ha sido capacitado en más de 3 millones de problemas de planificación de movimiento utilizando un pipeline de estructuras geométricas de NVIDIA Omniverse y 700 millones de nubes de puntos renderizadas en simulación. Entrenarlo en grandes conjuntos de datos permite la navegación de entornos desconocidos en el mundo real.

Además de aprender directamente un modelo de trayectoria como en MπNets, el equipo también presentó recientemente un nuevo modelo de colisión basado en nubes de puntos llamado CabiNet. Con el modelo CabiNet, se pueden implementar políticas generales de selección y colocación de objetos desconocidos más allá de una configuración de escritorio. CabiNet se entrenó con más de 650 000 escenas simuladas generadas por procedimientos y se evaluó en NVIDIA Isaac Gym. El entrenamiento con un gran conjunto de datos sintéticos le permitió generalizar incluso 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 tipos de diseños de robots en entornos virtuales, evitando los costosos y lentos métodos de prueba físicos.

La aplicación de diferentes tipos de diseños de robots, en combinación con el software del 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 solucionar posteriormente.

Si bien esto puede acelerar enormemente el cronograma 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 robots ayuda a conectar los robots con los sistemas comerciales, como las bases de datos de inventario, para que un robot sepa dónde se encuentra un artículo.

La simulación de cobots, o robots que trabajan con humanos, promete reducir las 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, lo que no puede gustar.