FANUC आणि NVIDIA रोबोट सिम्युलेशन आणि प्रत्यक्ष तैनाती यांमधील दुवा अधिक घट्ट करत आहेत

रोबोट सिम्युलेशन कारखान्याच्या मजल्याच्या अधिक जवळ येत आहे

FANUC म्हणते की त्यांनी आपल्या ROBOGUIDE सिम्युलेशन सॉफ्टवेअर आणि NVIDIA Isaac Sim यांमधील एकत्रीकरण अधिक मजबूत केले आहे. हा बदल प्रत्यक्ष औद्योगिक रोबोटिक्ससाठी व्हर्च्युअल फॅक्टरी वर्कफ्लो अधिक व्यवहार्य करण्याच्या उद्देशाने आहे. इथे उद्देश फक्त सिम्युलेशन करणे हा नाही. उद्देश असा अधिक अचूक डिजिटल ट्विन वातावरण तयार करणे आहे, जिथे सॉफ्टवेअरमधील रोबोटचे वर्तन प्रत्यक्ष तैनातीतील वर्तनाशी जवळपास जुळते.

औद्योगिक सिम्युलेशनमध्ये ही शक्यता अनेक वर्षांपासून केंद्रस्थानी आहे, पण एक विश्वासार्ह व्हर्च्युअल डेमो आणि एक भरोसेमंद उत्पादन साधन यांमधील दरी अनेकदा मोठीच राहिली आहे. FANUC आता असा युक्तिवाद करत आहे की ROBOGUIDE आणि Isaac Sim यांमधील अधिक घट्ट संवाद ही दरी पुरेशी कमी करू शकतो, ज्यामुळे प्री-इन्स्टॉलेशन अभ्यास, प्रक्रिया डिझाइन आणि व्हर्च्युअल कमिशनिंग सुधारू शकते.

हे एकत्रीकरण कसे काम करते

कंपनीनुसार, नव्या एकत्रीकरणाच्या एका मोडमध्ये NVIDIA Isaac Sim पुढच्या बाजूला काम करते, तर ROBOGUIDE पार्श्वभूमीत राहून रोबोटचे अचूक वर्तन टिकवून ठेवते. ही दोन सिस्टिम्स सतत थेट संवादात राहतात. व्यवहारात याचा अर्थ असा की वापरकर्ते ROBOGUIDE शी जोडलेल्या व्हर्च्युअल किंवा भौतिक teach pendant च्या मदतीने Isaac Sim मध्ये रिअल टाइममध्ये रोबोट चालवू शकतात, आणि प्रत्यक्ष मशीन नियंत्रित करत असल्याप्रमाणे सिम्युलेटेड सिस्टीमशी संवाद साधू शकतात.

ही एक महत्त्वाची पायरी आहे, कारण त्यामुळे सिम्युलेशन हे निष्क्रिय दृश्यीकरण वातावरण न राहता प्रत्यक्ष ऑपरेशनल सरावासारख्या जागेत रूपांतरित होते. वापरकर्ते रोबोट्स हलवू शकतात, प्रोग्राम शिकवू शकतात, ते प्रोग्राम चालवू शकतात, आणि Isaac Sim वातावरणात थेट निकाल तपासू शकतात. उत्पादकांसाठी यामुळे नियोजन आणि इन्स्टॉलेशन यांदरम्यान निर्माण होणारी अनिश्चितता कमी होऊ शकते.

वेळ वास्तवाशी जुळली तर डिजिटल ट्विन अधिक उपयोगी ठरतात

मूळ स्रोतामधील सर्वात ठळक दावा असा आहे की ROBOGUIDE सोबतच्या एकत्रीकरणामुळे Isaac Sim मध्ये चालणारे रोबोट्स वास्तविक मशीनसारखेच trajectories आणि cycle times राखू शकतात. प्रत्यक्षात हे खरे ठरले, तर औद्योगिक ऑटोमेशनमधील सर्वात सातत्याने दिसणारी समस्या, म्हणजेच “sim-to-real gap,” यावर तोडगा काढण्यास मदत होईल.

हा फरक महागडा ठरतो. एखादी सिम्युलेशन एखाद्या सेल डिझाइनला काम करेल असे सूचित करू शकते, पण प्रत्यक्ष कमिशनिंगमध्ये वेळेचे संघर्ष, मार्गातील अडचणी किंवा हाताळणीतील अपयश समोर येऊ शकते, जे सॉफ्टवेअरमध्ये पुरेसे अचूक पकडले गेले नव्हते. व्हर्च्युअल आणि भौतिक अंमलबजावणीतील जुळणूक जितकी जास्त, तितका डिजिटल मॉडेल निर्णय घेण्यासाठी अधिक उपयुक्त ठरतो, केवळ संकल्पना दाखवणारे साधन म्हणून नव्हे.

NVIDIA ची भूमिका का महत्त्वाची आहे

इथे NVIDIA केवळ ग्राफिक्स एक्सेलरेशन पुरवत नाही. स्रोतामध्ये Isaac Sim, Isaac Lab आणि Omniverse libraries यांचा उल्लेख उच्च-तपशील सिम्युलेशनसाठी सहाय्यक घटक म्हणून केला आहे, विशेषतः केबल्ससारख्या लवचिक घटकांचे हाताळणे आणि insertion व assembly operations यांसारख्या कामांसाठी, जे पारंपरिकपणे पुनरुत्पादित करणे कठीण असते. हेच ते प्रकारचे काम आहेत जे सोप्या सिम्युलेशन वातावरणांतील कमकुवतपणा उघड करतात.

हे एकत्रीकरण AI-सक्षम रोबोट शिक्षणाकडेही विस्तारते. FANUC च्या म्हणण्यानुसार, संयुक्त वातावरण reinforcement learning आणि imitation learning ला समर्थन देते, आणि वेगळ्या नोंदीत असेही नमूद केले आहे की ते imitation learning, NVIDIA GR00T foundation model आणि Jetson Thor platform वापरून आपल्या एका रोबोटकडून टी-शर्ट घड्या घालून घेत आहे. हे उदाहरण काही अंशी प्रात्यक्षिक स्वरूपाचे आहे, पण ते कंपनीचा असा दृष्टिकोन दर्शवते की सिम्युलेशन, नियंत्रण आणि शिकलेले वर्तन हे वेगवेगळ्या उत्पादन-स्तरांवर न राहता एकत्र येत आहेत.

ऑफलाइन नियोजनातून ऑपरेशनल तयारीकडे बदल

औद्योगिक रोबोट सिम्युलेशन अनेकदा तज्ज्ञांकडून ऑफलाइन नियोजनासाठी वापरले गेले आहे. FANUC जे सांगत आहे ते यापेक्षा व्यापक आहे. वापरकर्त्यांना teach pendant आणि real-time control interfaces च्या मदतीने अधिक भौतिकदृष्ट्या समृद्ध सिम्युलेशन वातावरणात काम करू देऊन कंपनी अशा वर्कफ्लोकडे जात आहे, जिथे digital twins थेट तैनातीच्या तयारीत सहभागी होतात.

हे विशेषतः त्या उत्पादकांसाठी महत्त्वाचे ठरू शकते जे commissioning time कमी करू इच्छितात किंवा हार्डवेअर पूर्णपणे बसवण्यापूर्वी गुंतागुंतीच्या कामांची पडताळणी करू इच्छितात. अभियंते जर वास्तविक सेलसारखे वर्तन करणाऱ्या व्हर्च्युअल वातावरणात प्रोग्राम्स शिकवू आणि तपासू शकत असतील, तर सिम्युलेशनसाठीचा व्यवसायिक तर्क अधिक ठोस ठरतो.

उद्योगाची मोठी दिशा

ही घोषणा मोठ्या औद्योगिक प्रवाहाचेही प्रतिबिंब आहे. रोबोटिक्स विक्रेत्यांना आता फक्त विश्वासार्ह हार्डवेअर दाखवून चालत नाही; नियोजन, नियंत्रण, sensing आणि learning यांना जोडणारा एकात्मिक software stack देखील दाखवावा लागतो. Robot arm हे आता पूर्ण उत्पादन राहिलेले नाही. सिम्युलेशन आणि adaptation साठीचे सभोवतालचे वातावरण स्पर्धात्मक ऑफरचा भाग बनत आहे.

त्या अर्थाने, FANUC-NVIDIA भागीदारी केवळ एका software integration बद्दल नाही. ती अशा automation workflow बद्दल आहे, जिथे digital twins उत्पादन निर्णयांवर परिणाम करण्याइतके अचूक असतात आणि AI tools ऑपरेशन्सच्या इतके जवळ असतात की ते प्रत्यक्ष कामांसाठी रोबोट्स कसे प्रशिक्षित केले जातात, याला आकार देऊ शकतात.

पुढे काय पाहायचे

सर्वात महत्त्वाची कसोटी हीच असेल की उत्पादकांना commissioning time, debugging effort किंवा deployment risk मध्ये मोजण्याजोगी घट दिसते का. फक्त तांत्रिक एकत्रीकरणामुळे असे परिणाम आपोआप मिळतीलच असे नाही. पण दिशा स्पष्ट आहे. FANUC ला सिम्युलेशन हे live operational asset व्हावे असे वाटते, वेगळे pre-sales environment नव्हे, आणि NVIDIA चे software ecosystem त्यांना अधिक समृद्ध modelling आणि learning साठी एक platform देते.

जर हे वर्णनानुसार काम केले, तर प्रत्यक्ष परिणाम साधा असेल: औद्योगिक टीम्सना hardware live झाल्यानंतर समस्या शोधण्यात कमी वेळ आणि hardware सुरू होण्यापूर्वी त्या सोडवण्यात अधिक वेळ घालवता येईल. हेच त्या digital twin चे खरे आश्वासन आहे, जे rendering सारखे कमी आणि factory rehearsal सारखे अधिक वागते.

हा लेख The Robot Report च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.