Налаштування NVIDIA Isaac Sim для симуляції роботів з AI

Налаштування NVIDIA Isaac Sim для симуляції роботів з AI

NVIDIA Isaac Sim - фотореалістичний симулятор роботів на базі Omniverse, що використовує RTX рендеринг та фізичний двигун PhysX. Дозволяє навчати AI-моделі в симуляції та переносити їх на реальних роботів (sim-to-real transfer), що критично скорочує час та вартість розробки.

Встановлення та вимоги

Мінімальні вимоги: NVIDIA GPU RTX 3070, CUDA 12.x, 32GB RAM, 100GB SSD. Рекомендується: NVIDIA A6000 або A100 для batch rendering.

# Установка через Omniverse Launcher
# или через pip для headless режима
pip install isaacsim-rl isaacsim-replicator \
    isaacsim-robot isaacsim-sensor

# Проверка
python -c "import omni.isaac.core; print('Isaac Sim OK')"

Створення робот-середовища для RL навчання

from omni.isaac.core import World
from omni.isaac.core.robots import Robot
from omni.isaac.gym.vec_envs import VecEnvBase
import numpy as np

class ManipulatorEnv(VecEnvBase):
    """Pick-and-place среда для обучения манипулятора"""

    def __init__(self, headless: bool = True):
        super().__init__("/World", enable_livestream=not headless)
        self.world = World(stage_units_in_meters=1.0)

    def setup_scene(self):
        # Загрузка URDF/USD робота (Franka Panda)
        self.robot = self.world.scene.add(
            Robot(
                prim_path="/World/Franka",
                name="franka",
                usd_path="/Isaac/Robots/Franka/franka.usd"
            )
        )

        # Объект для захвата
        self.world.scene.add_default_ground_plane()
        self.cube = self.world.scene.add(
            DynamicCuboid(
                prim_path="/World/Cube",
                position=np.array([0.5, 0.0, 0.1]),
                size=np.array([0.05, 0.05, 0.05])
            )
        )

    def get_observations(self) -> dict:
        robot_obs = self.robot.get_joint_positions()
        cube_pos = self.cube.get_world_pose()[0]
        ee_pos = self.robot.get_world_pose()[0]

        return {
            "joint_positions": robot_obs,
            "cube_position": cube_pos,
            "end_effector_position": ee_pos,
            "distance_to_cube": np.linalg.norm(ee_pos - cube_pos)
        }

    def compute_reward(self) -> float:
        obs = self.get_observations()
        distance = obs["distance_to_cube"]

        reward = -distance  # Штраф за расстояние
        if distance < 0.02:  # Успешный захват
            reward += 10.0
        return reward

Synthetic Data Generation (Replicator)

Isaac Replicator генерує синтетичні навчальні дані з автоматичною розміткою:

import omni.replicator.core as rep

# Генерация 10000 изображений для обучения детектора объектов
with rep.new_layer():
    # Случайные объекты
    objects = rep.create.from_usd("/Isaac/Props/YCB/Filtered/")

    # Случайное освещение
    lights = rep.create.light(
        light_type="sphere",
        color=rep.distribution.uniform((0.5, 0.5, 0.5), (1, 1, 1)),
        position=rep.distribution.uniform((-5, -5, 5), (5, 5, 10))
    )

    # Случайные фоны (domain randomization)
    with rep.trigger.on_frame(num_frames=10000):
        with objects:
            rep.randomizer.scatter_2d(surface_prims=[ground])
            rep.randomizer.texture(
                textures=rep.utils.get_usd_files("/Isaac/Environments/")
            )

    # Камера с рендерингом
    camera = rep.create.camera(position=(0, 0, 3))
    render_product = rep.create.render_product(camera, (1280, 720))

    # Аннотации
    rep.annotators.get("rgb").attach(render_product)
    rep.annotators.get("bounding_box_2d_tight").attach(render_product)

rep.orchestrator.run()

Sim-to-Real Transfer

Ключова техніка - Domain Randomization: навчання з рандомізацією фізичних параметрів (маса об'єктів, тертя, освітлення, шум сенсорів). Це змушує політику бути стійкою до реальних варіацій.

# Рандомизация параметров симуляции
with rep.trigger.on_frame():
    # Варьируем массу объекта
    cube.get_applied_physics_material().set_mass(
        rep.distribution.uniform(0.05, 0.5)
    )
    # Варьируем трение
    cube.get_applied_physics_material().set_dynamic_friction(
        rep.distribution.uniform(0.3, 0.9)
    )

Типовий результат: політика, навчена на 50M кроків в Isaac Sim за 24 години на 8x A100, при перенесенні на реальний робот досягає 85-90% success rate на pick-and-place задачі без додаткового навчання на реальному залозі.