اگر تا امروز دنبال یک شبیهساز ربات حرفهای برای طراحی، آزمایش و آموزش ربات بوده باشید، احتمالاً نام NVIDIA Isaac Sim به گوشتان خورده است. این پلتفرم متنباز که بر پایهی کتابخانههای NVIDIA Omniverse ساخته شده، این روزها به یکی از پرکاربردترین نرمافزارهای رباتیک جهان برای شبیهسازی، آموزش و تولید دادهی مصنوعی فیزیکمحور تبدیل شده است. از دانشگاهها و موسسات پژوهشی گرفته تا استارتاپهای سازندهی رباتهای انساننما و شرکتهای بزرگ اتوماسیون صنعتی، این نرمافزار رباتیک را برای کوتاهکردن مسیر از ایده تا استقرار واقعی به کار میگیرند. در این مقاله، عملکرد این شبیهساز، جایگاه آن در اکوسیستم هوش مصنوعی فیزیکی، و تفاوتش با رقبای شناختهشدهای مانند Gazebo و MuJoCo را بررسی میکنیم.
نمای کلی از پلتفرم شبیهسازی رباتیک NVIDIA Isaac Sim (منبع تصویر: NVIDIA)
شبیهساز ربات چیست و چرا در توسعهی رباتیک اهمیت دارد
پیش از پرداختن به جزئیات Isaac Sim، بهتر است ابتدا بفهمیم اصلاً یک شبیهساز ربات چه کاری انجام میدهد. شبیهساز ربات، نرمافزاری است که رفتار فیزیکی یک ربات را در یک دنیای مجازی و بر اساس قوانین فیزیک، بازتولید میکند. توسعهدهندگان با کمک این نرمافزارها میتوانند رفتار یک ربات را پیش از ساخت سختافزار واقعی آزمایش کنند، خطاها را در محیطی امن و بدون هزینهی آسیب فیزیکی پیدا کنند و الگوریتمهای کنترلی یا مدلهای هوش مصنوعی را هزاران بار سریعتر از دنیای واقعی و با هزینهای بسیار کمتر تمرین دهند.
اهمیت این رویکرد در عصر هوش مصنوعی فیزیکی، بیش از هر زمان دیگری در تاریخ صنعت رباتیک مشخص شده است. آموزش یک ربات از طریق آزمونوخطای مستقیم روی سختافزار واقعی، هم کند است و هم پرهزینه؛ هر بار افتادن یا برخورد اشتباه ربات، میتواند به تجهیزات گرانقیمت آسیب برساند. به همین دلیل، صنعت رباتیک بهسرعت به سمت رویکرد شبیهسازی اولیه حرکت کرده است. مدلها ابتدا در دنیای مجازی آزمایش میشوند و تنها زمانی که عملکرد قابلقبولی نشان دادند، روی سختافزار واقعی مستقر میشوند.
Isaac Sim چگونه کار میکند
فرایند کار با Isaac Sim از دریافت داده آغاز میشود. این نرمافزار میتواند مدل ربات یا محیط را از منابع مختلفی مانند فایلهای طراحی به کمک رایانه (CAD)، فرمت استاندارد توصیف ربات (URDF)، یا حتی دادهی برداشتهشده از دنیای واقعی (از طریق ابزارهایی به نام NVIDIA Omniverse NuRec و Isaac TeleOp) دریافت و به فرمت توصیف صحنهی جهانی (Universal Scene Description یا USD) تبدیل کند؛ فرمتی که پایهی تمام صحنههای Isaac Sim را تشکیل میدهد. پس از این مرحله، توسعهدهندگان میتوانند متریال، خواص فیزیکی و مدلهای ربات و حسگر را به صحنه اضافه کنند و از همانجا، ربات را برای یادگیری در چارچوب مکمل به نام Isaac Lab آماده سازند.
شبیهسازی فیزیکی این پلتفرم بر پایهی موتور فیزیک NVIDIA PhysX است که امکان شبیهسازی دقیق اجسام صلب، دینامیک خودرو، مفاصل چندگانه و برخوردهای پیچیده را فراهم میکند. این در حالی است که رندرینگ تصاویر با فناوری ردیابی پرتو (Ray Tracing) کارتهای گرافیک RTX انجام میشود. چنین ترکیبی به Isaac Sim امکان تولید تصاویری با کیفیت نزدیک به واقعیت را میدهد.
توسعهدهندگان در نهایت میتوانند پشتههای ادراکی و حرکتی ربات را در محیط شبیهسازی آموزش دهند و کل سامانه را از طریق آزمون نرمافزار-در-حلقه یا سختافزار-در-حلقه (روشهایی که بخشی از سامانهی واقعی را با بخش شبیهسازیشده ترکیب میکنند) ارزیابی کنند.
تولید دادهی مصنوعی و آموزش مدلهای هوش مصنوعی
یکی از مهمترین کاربردهای Isaac Sim، تولید دادهی مصنوعی (Synthetic Data) کنترلشده برای آموزش مدلهای هوش مصنوعی است؛ قابلیتی که بهویژه برای بینایی ماشین و تشخیص اشیا بسیار مهم خواهد بود. توسعهدهندگان میتوانند با ابزار Replicator این پلتفرم، ویژگیهای صحنه مانند نورپردازی، بازتاب، رنگ و موقعیت اجسام را بهطور تصادفی تغییر دهند تا مدل نهایی، بهجای وابستگی به جزئیات یک صحنهی خاص، بتواند در شرایط متنوع هم عملکرد خوبی داشته باشد. دادهی خروجی میتواند شامل برچسبهای رنگی، جعبهی محدودکننده (Bounding Box)، تفکیک نمونه و تفکیک معنایی باشد و در فرمتهای استاندارد COCO و KITTI صادر شود. برای غنیسازی بیشتر این داده، Isaac Sim امکان استفاده از مدلهای بنیادین جهان NVIDIA Cosmos را هم فراهم میکند.
یکپارچگی با ROS و یادگیری تقویتی در مقیاس بزرگ
Isaac Sim از طریق افزونهی پل ارتباطی ROS/ROS2، بهطور مستقیم با فریمورک رایج رباتیک ROS (که پیشتر در ویکیربات بهطور مفصل آن را معرفی کردهایم) یکپارچه میشود. برای یادگیری ماشین در مقیاس بزرگ، این پلتفرم با چارچوب مکمل و سبکتری به نام Isaac Lab همراه است که مخصوص یادگیری تقویتی طراحی شده و امکان اجرای همزمان هزاران محیط شبیهسازیشدهی موازی روی یک کارت گرافیک را فراهم میکند. برای نمونه، در یکی از آزمایشهای عمومی این فناوری، آموزش راهرفتن یک ربات چهارپا با این روش روی یک کارت گرافیک قدرتمند به نرخ نزدیک به ۹۰ هزار فریم بر ثانیه رسید و سیاست حرکتی آموختهشده، بدون هیچ تنظیم اضافی، مستقیماً روی ربات واقعی و روی زمینهای ناهموار مختلف هم بهدرستی کار کرد.
چارچوب Isaac Lab برای آموزش سیاستهای کنترلی ربات با یادگیری تقویتی (منبع تصویر: NVIDIA)
در کنار PhysX، انویدیا اخیراً از یک موتور فیزیک تازه و متنباز به نام نیوتن (Newton) هم رونمایی کرده که با همکاری گوگل دیپمایند و دیزنی ریسرچ توسعه یافته و مدیریت آن هم بر عهدهی بنیاد لینوکس گذاشته شده است؛ این موتور روی زیرساخت OpenUSD ساخته شده و با چارچوبهای دیگر یادگیری رباتیک مانند MuJoCo Playground نیز سازگار است.
موتور فیزیک متنباز نسل بعدی Newton، محصول همکاری انویدیا با گوگل دیپمایند و دیزنی ریسرچ (منبع تصویر: NVIDIA)
مقایسه با دیگر نرمافزارهای رباتیک: Gazebo و MuJoCo
بازار نرمافزار رباتیک، تنها به Isaac Sim محدود نیست و بسته به نوع پروژه، دو رقیب شناختهشدهی دیگر هم اغلب گزینههای اصلی به شمار میروند. Gazebo، شبیهسازی متنباز و کاملاً بومی برای ROS2 است که نیازی به کارت گرافیک قدرتمند ندارد، اکوسیستم بزرگترین و پختهترین شبیهسازی حسگر را در اختیار دارد، و به همین دلیل، استاندارد بسیاری از رقابتهای رباتیک (مانند RoboCup) و حتی برنامهی شبیهسازی مریخنورد آزمایشگاه پیشرانش جت ناسا (JPL) بوده است؛ در مقابل، کیفیت بصری آن بهاندازهی Isaac Sim نیست و برای آزمون الگوریتمهای مبتنی بر بینایی، همیشه ایدهآل نیست.
MuJoCo هم که در ابتدا توسط پژوهشگری به نام امو تودورف (Emo Todorov) ساخته شد و بعدها توسط گوگل دیپمایند خریداری و متنباز شد، بهخاطر حلکنندهی برخورد بسیار دقیق و سریعش شناخته میشود؛ این ویژگی آن را به گزینهی محبوب برای شبیهسازی کارهای ظریف و حرکت پا تبدیل کرده است، تا جایی که اوپنایآی هم پیشتر برای آموزش حل مکعب روبیک با دست رباتیک شادو، از همین شبیهساز استفاده کرده بود. MuJoCo روی پردازندهی مرکزی (CPU) هم بسیار سریع اجرا میشود، اما یادگیری فرمت پیکربندی آن (MJCF) نسبت به Gazebo دشوارتر است و از نظر شبیهسازی حسگر و کیفیت بصری، هنوز به سطح Isaac Sim نمیرسد.
بهطور خلاصه، انتخاب میان این سه گزینه به نیاز پروژه بستگی دارد: Isaac Sim برای تولید دادهی بصری واقعگرایانه و یادگیری تقویتی در مقیاس بزرگ روی کارتهای گرافیک RTX مناسبتر است، MuJoCo برای پژوهشهای سریع و دقیق دستکاری اجسام حتی بدون کارت گرافیک قدرتمند برتری دارد، و Gazebo برای پروژههای کاملاً مبتنی بر ROS2 و شبیهسازی حسگرهای متنوع، انتخابی امتحانپسداده به شمار میرود. بسیاری از تیمهای حرفهای رباتیک، بهجای وابستگی به یک ابزار، از ترکیبی از این چند شبیهساز بسته به مرحلهی پروژه استفاده میکنند.
کاربرد در دوقلوی دیجیتال صنعتی و ناوگانهای چندرباتی
فراتر از آزمایشگاههای پژوهشی، Isaac Sim کاربرد گستردهای در ساخت دوقلوی دیجیتال کارخانه، انبار و تأسیسات صنعتی هم پیدا کرده است؛ همان مفهومی که پیشتر در ویکیربات، هنگام بررسی خط تولید هوشمند دلتا الکترونیکس و نرمافزارهایی مانند RoboDK هم به آن پرداختیم. با کمک این پلتفرم، مهندسان میتوانند طراحی، شبیهسازی و بهینهسازی کامل یک تأسیسات صنعتی را پیش از هرگونه تغییر فیزیکی روی خط واقعی انجام دهند. انویدیا همچنین یک الگوی آماده به نام Mega Blueprint برای شبیهسازی همزمان ناوگانهای بزرگ چندرباتی در محیطهای اتوماسیون صنعتی هم عرضه کرده که مقیاسپذیری این پلتفرم را از یک ربات منفرد تا صدها ربات همزمان در یک انبار گسترش میدهد؛ کاربردی که برای شرکتهای تدارکاتی بزرگ با دهها یا صدها ربات متحرک خودران، اهمیت روزافزونی پیدا کرده است.
هزینه، دسترسی و جامعهی کاربری
Isaac Sim بهطور کامل رایگان و متنباز است و تحت مجوز آپاچی ۲.۰ روی گیتهاب در دسترس همگان قرار دارد؛ تنها توزیع تجاری بخش زیرساختی Omniverse Kit، به مجوز جداگانهی سازمانی نیاز دارد. این نرمافزار روی رایانهی شخصی، از طریق کانتینر روی سرویسهای ابری مانند AWS، یا با دسترسی یککلیکی به نمونههای ابری از طریق سرویس Brev هم قابلاجراست؛ گزینهای که برای تیمهایی بدون کارت گرافیک قدرتمند محلی، مفید است. جامعهی کاربری این پلتفرم هم شامل انجمنهای پرسشوپاسخ رسمی، دورههای آموزشی رایگان مقدماتی، و جلسات پرسشوپاسخ منظم با کارشناسان و کاربران واقعی این نرمافزار است.
پیشتر در ویکیربات، هنگام بررسی موتور آموزش رباتیک R2S2R شرکت ورلدلبز، دیدیم چگونه شبیهسازهایی از همین جنس Isaac Sim میتوانند بهجای صرفاً آموزش یک مدل، حتی برای ارزیابی سریع و ارزان صدها نسخهی آزمایشی یک مدل، پیش از هرگونه آزمون روی سختافزار واقعی، به کار گرفته شوند.