ABB dan NVIDIA Menjembatani Kesenjangan "Sim-to-Real" dengan AI Fisik dan Omniverse
Sektor industri sedang mengalami perubahan besar saat AI fisik bergerak dari laboratorium eksperimental ke lantai pabrik. Kemitraan strategis antara ABB Robotics dan NVIDIA bertujuan untuk mengatasi tantangan yang terus-menerus dalam otomasi pabrik: perbedaan antara simulasi digital dan realitas fisik. Dengan mengintegrasikan alat simulasi berpresisi tinggi, produsen akhirnya dapat mencapai kinerja robot yang andal di lingkungan dunia nyata yang tidak dapat diprediksi.
Mengatasi Tantangan Tradisional Otomasi Industri
Secara historis, para insinyur kesulitan membuat robot cerdas berfungsi secara konsisten di luar area pengujian yang terkendali. Variabel lingkungan seperti perubahan cahaya, fisika material yang kompleks, dan variasi bagian yang halus sering mengganggu model digital. Akibatnya, banyak perusahaan mengandalkan prototipe fisik yang mahal untuk memvalidasi sistem kontrol mereka. Hambatan ini tak terelakkan menunda peluncuran produk dan membengkakkan anggaran operasional di seluruh lanskap manufaktur.
Bertransisi ke Kembaran Digital yang Sangat Realistis
Untuk mengatasi hambatan ini, ABB akan meluncurkan "RobotStudio HyperReality" pada akhir 2026. Platform ini menyematkan perpustakaan NVIDIA Omniverse langsung ke dalam ekosistem perangkat lunak ABB yang sudah ada. Oleh karena itu, para insinyur kini dapat membuat lingkungan digital yang akurat secara fisik yang mencerminkan lantai pabrik sebenarnya. Dengan mengekspor stasiun sebagai file Universal Scene Description (USD), sistem menangkap segala hal mulai dari kinematika hingga pencahayaan dengan presisi tinggi.
Rekayasa Presisi melalui Data Sintetis dan AI
Integrasi ini menawarkan lebih dari sekadar akurasi visual; ini memberikan kecocokan perilaku 99 persen antara dunia digital dan fisik. Alih-alih pemrograman manual, model penglihatan komputer kini belajar menggunakan gambar sintetis yang dihasilkan dalam perangkat lunak. Selain itu, teknologi Absolute Accuracy ABB bekerja bersama model AI ini untuk mengurangi kesalahan posisi. Akibatnya, toleransi turun dari rentang lebar 8-15 mm menjadi presisi 0,5 mm, yang sangat penting untuk tugas otomasi industri dengan spesifikasi tinggi.
Keuntungan Nyata dalam Efisiensi Penerapan
Pengguna awal seperti Foxconn sudah menunjukkan ROI nyata dari teknologi ini. Foxconn menggunakan simulasi ini untuk perakitan elektronik konsumen yang halus, di mana perubahan produk sering terjadi. Dengan memvalidasi otomasi pabrik secara virtual, mereka mengantisipasi pengurangan signifikan dalam waktu pengaturan dan penghapusan uji coba fisik yang mahal. Demikian pula, penyedia seperti Workr menggunakan platform ini untuk memasukkan bagian baru dalam hitungan menit tanpa memerlukan keahlian pemrograman khusus yang mendalam.
Memperluas AI Fisik di Edge
Kolaborasi ini juga meluas ke evolusi perangkat keras untuk sistem kontrol. ABB saat ini sedang mengevaluasi platform edge NVIDIA Jetson untuk integrasi ke dalam pengendali Omnicore mereka. Langkah ini akan memungkinkan inferensi AI secara real-time di seluruh armada robotik. Produsen yang mengadopsi pendekatan digital-pertama ini dapat mengharapkan pengurangan waktu komisioning hingga 80 persen, memberikan keunggulan kompetitif besar di pasar yang bergerak cepat.
Wawasan Penulis: Pentingnya Strategis Data Sintetis
Menurut penilaian saya, terobosan sebenarnya di sini bukan hanya "gambar cantik" dari simulasi, tetapi demokratisasi data berpresisi tinggi. Secara tradisional, melatih robot untuk tugas baru membutuhkan ribuan jam manual. Sekarang, pembuatan data sintetis memungkinkan pelatihan "semalam". Saya percaya bahwa peningkatan keterampilan tim teknik untuk mengelola alur data ini akan menjadi faktor paling krusial untuk keberhasilan dalam dekade berikutnya dari otomasi industri.
