数字孪生与机器学习:会行走的雪宝(Olaf)机器人,揭示制造业的未来方向

简要说明
- 迪士尼与英伟达™(NVIDIA®)合作,教雪宝机器人如何行走。
- 在将机器人部署到现实世界之前,他们使用了数字孪生 (DigitalTwins)机器学习技术。
- 通过数百万次的虚拟训练,机器人学会了平衡,在不同地形中穿梭,甚至能更安静地行走。
- 同样的模拟和机器学习技术也被用于制造业,以优化系统和加速产品开发。
- 准确的零部件数字孪生和CAD数据对于工业 4.0和可靠的仿真结果至关重要。
- 3Dfindit等平台可帮助工程师访问支持数字孪生工作流程所需的经制造商认证的 CAD 模型和工程数据。
迪斯尼的幻想家们创造了一个自由漫游的机器人—"冰雪奇缘 "中的雪人角色奥拉夫。雪宝机器人可以行走,保持平衡并与人互动。然而,它并不是在现实世界中学会这些的。它是通过使用数字孪生、机器学习、模拟和基于物理的建模来学习的。
这个故事的意义远远超出了主题公园。
什么是数字孪生机器学习?
简而言之:数字孪生机器学习(Digital twin machine learning)是指在模拟环境中使用人工智能,在系统实际存在之前对其进行训练。
而不是在现实世界中进行测试:
- 工程师建立一个虚拟模型(数字孪生)
- 人工智能运行数百万次模拟
- 系统学习最佳行为
奥拉夫就是这样学会走路的。
雪宝机器人是如何学会走路的?
简而言之:雪宝机器人是通过数字孪生结合强化学习(一种机器学习方法,系统通过试验和错误来改进)学会走路的。这与制造商用于工业数字孪生的系统如出一辙。
为了教会雪宝机器人如何行走,迪士尼在英伟达 Omniverse 支持的模拟系统中使用了强化学习技术。NVIDIA Omniverse 是��个计算平台,也用于工业数字孪生。
NVIDIA Omniverse 内部:
- 模拟的雪宝机器人练习了数百万次行走
- 它学会了在被推动时保持直立
- 它能适应不平坦的地形
- 它优化了运动效率
这个过程类似于计算机掌握视频游戏,只不过这里的结果是真实世界中的物理行为。
更令人印象深刻的是
- 人工智能学会了管理电机扭矩以避免过热
- 它优化了更安静的运动,以保持角色的真实感
- 它将1万小时的训练时间缩短到了几天
这种模拟优先的方法为机器人提供了相当于多年的真实世界经验。
为什么仿真和物理引擎对制造业至关重要?
简而言之:没有精确的物理引擎,人工智能训练就会失败。
迪斯尼训练奥拉夫的系统依赖于
- Newton开源物理仿真引擎(由英伟达™(NVIDIA®)、谷歌 DeepMind 和迪斯尼研究院共同开发的软件)来模拟现实世界中的力量
- OpenUSD 框架(由皮克斯开发),用于3D计算机图形和互操作性
迪斯尼还在使用Newton物理引擎训练自由漫游的星球大战机器人:
工程师和动画师共同努力确保
- 物理特性符合现实世界的限制条件
- 运动数据与奥拉夫的角色相匹配
这种工程精度和视觉精度的结合正是现代制造业数字孪生的定义。机器人在模拟中获得 "10 年经验 "不仅仅是迪斯尼的故事。它正在成为先进制造业的标准实践。
制造商如何使用数字孪生机器学习?
简而言之:这种机器学习类型已经在工业领域出现。
制造商们正在采用训练奥拉夫的相同原理,并将其应用于以下方面:
- 机器人和自动化系统
- 产品性能测试
- 自主系统
制造商可以不建造原型和进行物理测试,因为这样做既缓慢又有风险,而且成本高昂:
- 快速模拟数千种场景
- 在部署前对系统进行培训
- 降低风险和成本
CAD数据如何融入数字孪生?
简而言之:模拟的好坏取决于背后的数据。
数字孪生不仅仅是人工智能的产物。它们建立在结构化工程数据的基础上。
要让数字孪生机器学习产生可靠的结果,必须做到以下几点
- 几何形状必须准确
- 组件必须标准化
- 数据必须可重复使用且可访问
过去,零部件制造商通常提供中性的 CAD 文件,供工程师在设计中使用。这在当时非常有效,因为工程师对嵌入 CAD 模型的元数据需求较少。
然而,今天的工程师需要组件数字孪生。
组件数字孪生是物理组件的数字复制品,其功能超出几何范围。它们包含高质量的 "成分 "或特定数据,如设计意图、运动数据、运动学信息以及控制工业 4.0技术的数据。
这就是为什么获取高质量数据变得越来越重要的原因,也是为什么像3Dfindit这样的搜索平台变得至关重要的原因。
今天的工程师需要
- 高质量 CAD 模型
- 经制造商认证的数据
- 即时访问组件
没有这个基础,仿真就会崩溃。
3Dfindit 等平台可帮助工程师快速找到经制造商认证的 CAD 模型和部件数字孪生,为精确仿真和数字孪生工作流程提供所需的基础。
给工程师和制造商的启示
从会行走的机器人到更智能的工程工作流程,人工智能和仿真技术正在显著压缩娱乐业和制造业的开发时间。
在迪斯尼和制造业,这一转变意味着
- 更快的产品开发周期
- 更早地做出更好的设计决策
- 减少对物理原型的依赖
那些能够做到以下几点的公司才是赢家
- 将设计决策转入模拟
- 利用人工智能探索和测试更多可能性
- 围绕数字孪生建立工作流程
雪宝机器人表明,数字孪生机器学习不再是实验性的。它已全面投入使用。
这是一种转变:
- 物理试错 -> 模拟驱动智能
- 静态 CAD 模型 -> 智能互联数字孪生
- 工程是一个线性过程 -> 工程是一个不断学习和改进的系统
如果角色机器人能够
- 学会自我平衡
- 优化运动
- 管理热量和噪音
......制造系统也能做到这一点。
问题不在于这项技术是否会对工程产生影响。
问题在于团队适应它的速度有多快。
想要访问高质量 CAD 数据和组件数字孪生?在3Dfindit 上探索数百万经制造商认证的 CAD 模型与高质量数据。

