將一個自立機器人布置到一個新的情況能夠是一個艱苦的命題。您若何才氣確信機器人的感知才能充足壯大，是以可能平安天按計劃履行使命？
Trimble正在起頭擬定籌劃，將BostonDynamics的Spot布置正在各類室內(nèi)環(huán)境跟施工情況中時，面對著那一應戰(zhàn)。Trimble須要將機械學習模子調(diào)劑到正確的室內(nèi)環(huán)境，以便Spot可能正在這些分歧的室內(nèi)環(huán)境中自立操縱。
Trimble新興技巧副總裁AviadAlmagor默示：“當咱們將裝備數(shù)據(jù)收羅傳感器跟現(xiàn)場控制軟件的Spot布置到室內(nèi)環(huán)境時，咱們須要開辟一個經(jīng)濟高效且靠得住的事情流程去培訓基于ML的感知模子?！?。
“這一策略的焦點是剖析分解情況的才能。利用NVIDIA上的NVIDIAOmniverseSim，咱們可以從TrimbleSketchUp等CAD對象無縫導入分歧的情況。然后天生完整標識表記標幟的空中真實分解數(shù)據(jù)便成了一個簡略的操練?！?/p>
圖1正在三維建模應用程序TrimbleSketchUp中檢查辦公樓
為了確保模子靠得住天事情，處置機器人技巧跟自動化應用程序的開發(fā)人員須要包括方針情況一切資產(chǎn)的各類數(shù)據(jù)散。關于室內(nèi)，列表MIGht包羅隔墻、樓梯、門、窗跟家具等資產(chǎn)。
雖然這些數(shù)據(jù)散可以由真正的攝影師跟人類揭標員手動構建，但這類方式須要大批的預先計劃跟下本錢，而且平常正在名目啟動時關閉大門。利用分解數(shù)據(jù)，你可以引誘你的ML培訓并立刻起頭。
構建此數(shù)據(jù)集時，可以取舍包括分段數(shù)據(jù)、深度數(shù)據(jù)或鴻溝框。這些揭有完美標簽的空中本相數(shù)據(jù)可以翻開許多摸索之門。有些器材，如三維鴻溝框，可以很簡單天取得綜合，而他們是出了名的難以手動標簽。
申通快遞分揀機器人圖片快遞自動分揀機器人仿真正在本文中，咱們概述了利用模擬天生的分解數(shù)據(jù)構建培訓事情流所采用的步調(diào)。只管此事情流包羅龐大的模擬跟ML技巧，但實現(xiàn)此名目所需的步調(diào)很簡略：
將情況從CAD導入NVIDIAOmniverse平臺。
利用NVIDIAOmniverseSim卡構建分解數(shù)據(jù)散。
利用NVIDIATAOtoolkit對ML模子停止培訓。
將情況從TrimbleSketchUp導入NVIDIAOmniverse
正在這個名目中，TrimbleSketchUp供給了情況，這是一個用于計劃修筑的3D建模應用程序。要導入資源，NVIDIAOmniverse撐持場景描寫的USD格局。SketchUp模子轉換為USD，并利用Omniverse連接器之一導入。
為確保精確導入一切資產(chǎn)，你必需利用NVIDIAISAACSim卡或Omniverse中的創(chuàng)立或檢查應用程序搜檢情況。正在某些環(huán)境下，此進程能夠須要幾回迭代，直到情況正在Omniverse中失掉愜意的默示。
圖2將SketchUp場景導入Omniverse的進程
圖3導入到Omniverse跟Trimble的SketchUp中的原始場景后，統(tǒng)一辦公樓的并排視圖
利用NVIDIAISAACSim構建分解數(shù)據(jù)散
順豐快遞分揀機器人分解數(shù)據(jù)是計算機視覺使用中鍛煉ML模子的緊張對象，但網(wǎng)絡跟標識表記標幟真實數(shù)據(jù)能夠耗時且本錢昂揚。另外，網(wǎng)絡角落案例的真實鍛煉數(shù)據(jù)有時能夠很辣手，以至是沒有能夠的。例如，想象一下，鍛煉一輛自動駕駛汽車精確辨認跟反映，以確保穿過忙碌街道的行人的平安。正在交通忙碌的人行橫道上攝影是冒失跟危險的。
因為Trimble籌劃正在分歧的情況中為分歧的用例布置自立機器人，他們面對著一個鍛煉數(shù)據(jù)難題：若何正在公道的工夫規(guī)模內(nèi)以公道的本錢為這些模子平安天取得精確的鍛煉數(shù)據(jù)散？
NVIDIAISAACSim內(nèi)置的分解數(shù)據(jù)天生功用間接辦理了那一應戰(zhàn)。天生分解數(shù)據(jù)散的要害要求是為正在布置的ML模子撐持精確的傳感器散。如后一示例中所述，NVIDIAISAACSim撐持利用鴻溝框、深度跟宰割襯著圖象，這些關于資助機器人感知周圍環(huán)境皆很緊張。NVIDIAISAACSim借撐持激光雷達跟超聲波傳感器等其他傳感器，正在某些機器人使用中能夠會很有用。
圖4NVIDIAISAACSim中天生的分解數(shù)據(jù)，顯現(xiàn)RGB、分段跟鴻溝框
天生分解數(shù)據(jù)的另一個超等才能是范疇隨機化。域隨機化轉變界說模擬場景的參數(shù)，例如場景中材質的照明、顏色跟紋理。其次要方針之一是經(jīng)由過程正在仿真中將神經(jīng)網(wǎng)絡裸露于各類域參數(shù)去加強ML模子的鍛煉。那有助于模子正在遇到真實場景時很好天歸納綜合。實際上，這類技巧有助于讓模子曉得該當疏忽甚么。
NVIDIAISAACSim中的可隨機化參數(shù)：
Color
Movement
Scale
Light
Texture
Material
Mesh
Visibility
Rotation
圖5NVIDIAISAACSim中的域隨機化場景
利用NVIDIATAO工具包培訓ML模子
高速分揀機器人公司圖6顯現(xiàn)了預鍛煉模子跟專有數(shù)據(jù)作為輸入，定制模子作為輸出。
圖6TAO工具包的功用框圖
圖7顯現(xiàn)，模擬器可以從ROS跟Python兩方面停止節(jié)制。模擬器的輸出包羅數(shù)字孿生跟分解數(shù)據(jù)，可用于鍛煉感知模子。
圖7NVIDIA上NVIDIAOmniverseSim的功用框圖
天生數(shù)據(jù)集后，將其精確格式化以利用NVIDIATAO工具包，可以大大減少培訓模子的工夫跟用度，同時確保模子的準確性跟機能。該工具包撐持宰割、分類跟工具檢測模子。
NVIDIAISAACSim中綜合天生的數(shù)據(jù)集以KITTI格局輸出，以便與TAO工具包無縫利用。有關正在NVIDIAISAACSim卡中輸出數(shù)據(jù)以停止培訓的更多信息，請參閱利用TLT停止離線培訓。
與真實數(shù)據(jù)比擬，利用分解數(shù)據(jù)集時，能夠須要迭代數(shù)據(jù)集以取得更好的成果。圖8顯現(xiàn)了利用分解數(shù)據(jù)散停止鍛煉的迭代進程。
圖8迭代鍛煉以進步模子機能
歸納綜合
Trimble面對著一個十分遍及的應戰(zhàn)，即正在一個經(jīng)濟高效的事情流程中為自立機器人的ML模子獲得鍛煉數(shù)據(jù)。這一應戰(zhàn)的解決方案是應用NVIDIAOmniverse中連接器的功用，將CAD數(shù)據(jù)高效導入USD。然后，數(shù)據(jù)可以被帶入NVIDIAISAACSim卡。
正在模擬器中，ISAACSim壯大的分解數(shù)據(jù)功用使天生所需數(shù)據(jù)散變得簡略。你可以供給分解數(shù)據(jù)，以實現(xiàn)更高效的培訓事情流跟更平安的自立機器人操縱。
NylaWorker是NVIDIA的解決方案架構師，專注于嵌入式設備的模擬跟深化學習。她正在機器人跟自動車輛的深度學習邊緣使用方面擁有豐碩的履歷，并為嵌入式設備開辟了加速推理管道。
GerardAndrews是專注于機器人開辟社區(qū)的高等產(chǎn)物營銷司理。正在參加NVIDIA之前，Gerard正在Cadence擔負產(chǎn)物營銷總監(jiān)，擔任答應處理器IP的產(chǎn)物計劃、營銷跟營業(yè)開辟。他擁有佐治亞理工學院電子工程碩士學位跟北方衛(wèi)理公會大學電子工程學士學位。
審核
分揀機器人agv銷售物料分揀機器人零件圖快遞分揀機器人的價格