ABB و NVIDIA فاصله «شبیهسازی تا واقعیت» را با هوش مصنوعی فیزیکی و اومنورس پر میکنند
بخش صنعتی شاهد تحولی بنیادین است زیرا هوش مصنوعی فیزیکی از آزمایشگاههای تجربی به کف کارخانه منتقل میشود. یک همکاری استراتژیک بین ABB Robotics و NVIDIA به دنبال حل یک چالش مداوم در اتوماسیون کارخانه است: اختلاف بین شبیهسازیهای دیجیتال و واقعیت فیزیکی. با ادغام ابزارهای شبیهسازی با دقت بالا، تولیدکنندگان میتوانند در نهایت عملکرد قابل اعتماد رباتها را در محیطهای واقعی و غیرقابل پیشبینی به دست آورند.
حل چالشهای سنتی اتوماسیون صنعتی
مهندسان در گذشته برای عملکرد مداوم رباتهای هوشمند خارج از مناطق آزمایشی کنترلشده با مشکل مواجه بودند. متغیرهای محیطی مانند تغییر نور، فیزیک پیچیده مواد و تفاوتهای جزئی قطعات اغلب مدلهای دیجیتال را مختل میکردند. در نتیجه، بسیاری از شرکتها برای اعتبارسنجی سیستمهای کنترل خود به نمونههای فیزیکی گرانقیمت متکی بودند. این مشکل بهطور اجتنابناپذیری باعث تأخیر در عرضه محصولات و افزایش بودجههای عملیاتی در سراسر صنعت تولید میشد.
گام به سوی دوقلوهای دیجیتال فوقواقعگرایانه
برای غلبه بر این موانع، ABB در اواخر سال ۲۰۲۶ پلتفرم «RobotStudio HyperReality» را راهاندازی میکند. این پلتفرم کتابخانههای NVIDIA Omniverse را مستقیماً در اکوسیستم نرمافزاری موجود ABB ادغام میکند. بنابراین، مهندسان اکنون میتوانند محیطهای دیجیتال با دقت فیزیکی ایجاد کنند که دقیقاً بازتابدهنده کف واقعی کارخانه هستند. با صادر کردن ایستگاهها به صورت فایلهای Universal Scene Description (USD)، سیستم همه چیز از کینماتیک تا نورپردازی را با دقت بسیار بالا ثبت میکند.
مهندسی دقیق با دادههای مصنوعی و هوش مصنوعی
این ادغام فراتر از دقت بصری است؛ تطابق رفتاری ۹۹ درصدی بین دنیای دیجیتال و فیزیکی فراهم میکند. به جای برنامهنویسی دستی، مدلهای بینایی کامپیوتری اکنون با استفاده از تصاویر مصنوعی تولید شده در نرمافزار آموزش میبینند. علاوه بر این، فناوری دقت مطلق ABB همراه با این مدلهای هوش مصنوعی کار میکند تا خطاهای موقعیتیابی را کاهش دهد. در نتیجه، تلرانسها از بازه وسیع ۸ تا ۱۵ میلیمتر به دقت ۰.۵ میلیمتر کاهش مییابد که برای وظایف اتوماسیون صنعتی با مشخصات بالا حیاتی است.
دستاوردهای واقعی در بهرهوری استقرار
پیشگامانی مانند Foxconn قبلاً بازگشت سرمایه ملموس این فناوری را نشان دادهاند. Foxconn از این شبیهسازیها برای مونتاژ حساس لوازم الکترونیکی مصرفی استفاده میکند، جایی که تغییرات مکرر محصول رایج است. با اعتبارسنجی اتوماسیون کارخانه به صورت مجازی، آنها کاهش قابل توجهی در زمان راهاندازی و حذف آزمایشهای فیزیکی پرهزینه را پیشبینی میکنند. به همین ترتیب، ارائهدهندگانی مانند Workr از این پلتفرم برای وارد کردن قطعات جدید در عرض چند دقیقه بدون نیاز به مهارتهای برنامهنویسی تخصصی عمیق استفاده میکنند.
گسترش هوش مصنوعی فیزیکی در لبه شبکه
این همکاری همچنین به تکامل سختافزار برای سیستمهای کنترل نیز گسترش مییابد. ABB در حال ارزیابی پلتفرم لبه NVIDIA Jetson برای ادغام در کنترلرهای Omnicore خود است. این گام امکان استنتاج هوش مصنوعی در زمان واقعی را در سراسر ناوگان رباتیک فراهم میکند. تولیدکنندگانی که این رویکرد دیجیتالمحور را اتخاذ میکنند، میتوانند انتظار کاهش زمان راهاندازی تا ۸۰ درصد را داشته باشند که مزیت رقابتی عظیمی در بازارهای پرشتاب فراهم میکند.
دیدگاه نویسنده: اهمیت استراتژیک دادههای مصنوعی
از نظر من، پیشرفت واقعی اینجا فقط «تصاویر زیبا» شبیهسازی نیست، بلکه دموکراتیزه شدن دادههای با دقت بالا است. به طور سنتی، آموزش یک ربات برای یک کار جدید هزاران ساعت کار دستی میطلبید. اکنون، تولید دادههای مصنوعی امکان آموزش «یک شبه» را فراهم کرده است. معتقدم ارتقای مهارت تیمهای مهندسی برای مدیریت این جریانهای دادهای مهمترین عامل موفقیت در دهه آینده اتوماسیون صنعتی خواهد بود.
