強力模擬引擎 NVIDIA Isaac Sim 現正公開測試中，讓大家有機會能體驗機器模擬的精隨

CG 新工具技術與趨勢

InCG Media

2021-06-23, 週三

全新模擬引擎 Isaac Sim 是由 NVIDIA Omniverse 為基底所打造，不僅能夠模擬更為逼真的寫實環境，更能夠簡化模擬過程中所產生的資料，與利用域隨機化來提升模擬的機器人在環境中的應變推理能力，因此也得以建立更為符合現實情況的資料庫。未來將能夠利用於未來工廠、物流等領域機器人的應用。

揭露革新模擬引擎 Isaac Sim 的面紗

NVIDIA Omniverse 是 NVIDIA 多款模擬器的基底，包括 Isaac 平台在內，而該平台現已加入多項新功能。NVIDIA Isaac Sim 現已進入公開測試階段，讓我們一同來更進一步瞭解機器人的模擬功能。

以 NVIDIA Omniverse 平台為基礎的 Isaac Sim，是一款機器人模擬應用程式與產生合成資料的工具。機器人專家可以透過這項工具，以逼真的方式模擬機器人與環境互動的情況，而這些模擬環境的範圍甚至可以超越真實環境中可能出現的情況，以便更有效率地訓練及測試機器人。

此版本的 Isaac Sim 還加入能支援多台攝影機和感測器的功能，以及一個 PTC OnShape CAD 匯入器，以便更容易地匯入 3D 資產。這些新功能將擴大機器人與環境的範圍，讓用戶順利建立模型並部署在各個領域，從設計與開發實體機器人，接著加以訓練，再部署到「數位孿生」環境中，在極為精確和逼真的虛擬環境中模擬與測試機器人。

主要的全新功能

●支援多台攝影機

●搭配合成資料的魚眼攝影機

●支援 ROS2

●PTC OnShape 匯入器

●更強大的感測器支援能力

超音波感測器
力感測器

客製化光達模式

●可以從 NVIDIA Omniverse Launcher 下載

Isaac Sim 將多台攝影機感測器的資料傳送到 Rviz ( ROS 視覺化工具)

在 Isaac Sim 中控制 Dofbot Manipulation Robot

Isaac Sim 實現更多機器人模擬的可能性

開發人員早已了解在一個強大的模擬環境中，測試和訓練機器人的優點。但很多時候，這些模擬器也都有使用上的限制，而 Isaac Sim 透過以下優勢克服了這些問題。

●逼真的模擬畫面：Isaac Sim 透過 Omniverse 平台的強大技術，包括使用 PhysX 5 的先進 GPU 物理模擬、搭配即時光線與路徑追蹤技術的逼真畫面，以及支援材質定義語言 (MDL) 以建立符合物理條件的渲染畫面，創造出栩栩如生的機器人模擬環境。

●配合廣泛應用項目的模組化設計：開發 Isaac Sim 的目的在於解決許多常見的機器人使用，包括操作、自主導航和產生合成訓練資料。用戶可以透過 Isaac Sim 的模組化設計，輕鬆配合眾多應用項目及環境來自訂和擴展工具集。

●流暢的連接性及互通性：Isaac Sim 借助 Omniverse Nucleus 和 Omniverse Connectors，在通用場景描述 (USD) 中以協作方式建立、分享與匯入環境和機器人模型。透過 Isaac SDK 及 ROS/ROS2 介面、功能完整的 Python 腳本以及用於匯入機器人和環境模型的外掛程式，輕鬆將機器人的大腦與虛擬世界串連起來。

想更深入瞭解 omniverse-站內連結：【流程革新！劃時代的虛擬協作平台登場！專訪 NVIDIA 全球開發負責人暨 Omniverse 部門總經理】

Isaac Sim Bootstraps 所產生的合成資料讓模擬環境更容易

使用產生合成資料這項重要工具來訓練目前機器人中感知模型的比例愈來愈高。從真實環境裡取得資料並正確加上標記，是一件費時且成本高昂的事。但在訓練機器人時，許多所需的資料難以在現實環境裡取得，或是取得的過程太危險，這對於必須與人類近距離操作的機器人來說更是如此。

Isaac Sim 內建支援多種感測器，這對訓練感知模型來說非常重要。這些感測器包括 RGB、深度、邊界框和分類。

符合玻璃物體的真實合成資料

在這次的公開測試版本中，能夠使用 KITTI 格式輸出合成資料。這些資料可以直接搭配 NVIDIA 遷移學習工具套件 ( Transfer Learning Toolkit )，加上特定使用案例的資料來提高模型效能。

域隨機化提升模擬機器的歸納推理能力

域隨機化 ( domain randomization ) 會改變定義模擬場景的參數，像是場景中材質的照明、顏色和紋理。使用域隨機化這項技術的主要目的之一，是讓神經網路在模擬環境中接觸各種領域參數 ( domain parameters )，以提高機器學習模型的訓練結果。這將有助於模型在遇到真實世界的場景時，有效進行歸納推理。事實上，這項技術有助於教導模型什麼該被忽略。