用数字孪生打造新一代机器人

　　随着制造商和仓储商转向利用机器人技术来应对压倒传统技术和实践的市场压力，机器人的地位空前高涨。然而，这些机器人不是过去的那种机器了，前者是物理上令人生畏的系统，但智能性和机动性很有限，不能很好地与人类交互。现在的机器人是一种灵活的系统，智能性和感知能力显著提升，可以在和人类协同工作的时候执行复杂和精细的任务。

　　要构建新一代机器人，工程师们就需要能够提供更高可视性、灵活性和效率的技术和实践。为了应对前所未有的复杂程度，所有工程学科都必须以前所未有的协作方式展开协同，利用数据丰富的环境。

　　这就是数字孪生的用武之地。

　　借助数字孪生技术带来的增强建模和仿真功能，工程师们可以更好地设计、开发、部署和监控制造和仓库应用中的机器人。

　　NVIDIA机器人高级产品营销经理Erin Rapacki表示：“我们现在拥有创建真实世界数字孪生所需的技术。制造设施和仓储物流设施的数字孪生仿真，将使运营企业能够优化效率并显着降低成本和浪费。”

　　Rapacki指出，要进行这些复杂的模拟，用户就需要模拟数字孪生的所有方面，包括机器人、传感器、人、和传送带等其他资产。

　　他表示：“在部署到现实世界之前，机器人开发人员需要能够在模拟环境中对包括安全系统在内的完整软件堆栈进行数千次演练。”

　　实现无痛设计

　　在开发新的工业机器人系统时，开发团队希望快速尝试不同的设计和控制理念，并锁定最终的产品要求。通过访问物理系统的数字模型，会有一个虚拟测试台来运行迭代设计，与每次创建物理原型相比，成本更低且交付时间更短。这使设计工程师们可以进一步撒网，投入时间和资源来探索传统方法所无法支持的概念和方法。

　　Maplesoft公司战略解决方案副总裁Chris Harduwar表示：“在打造新的创新用途时，这种更为广泛的分析能力，让我们能够考虑到以前会因为评估时间过长而被大打折扣的极端案例。由于数字模型与运营数据是保持同步的，因此形成了一个全面的数字孪生，可以像实物资产一样做出响应。这种数字孪生模型还可以被作为一种灵活的平台，用于验证控制策略和生产线计划更新，从而生成出更加安全、更加坚固的产品。”

　　然而，要获得数字孪生技术所承诺的全部回报，开发团队必须考虑全局，其中涉及的所有学科。数字孪生模型和模拟也可以提供帮助。

　　Rapacki说：“制造设施或者仓库物流设施的数字孪生，能够在工作空间中的所有活动之间建立数字连接，并将交通、障碍物、最佳路线、更新的取货/送货点等变化传达给机器人装置。”

　　例如，当移动机器人使用和设施数字孪生相同的模拟环境时，移动机器人更容易与现实环境相融合。机器人的传感器堆栈利用客户现场的实际数字孪生进行机器人感知训练和测试。客户站点还为计算机视觉训练提供了合成数据，机器人上的vSLAM（视觉同步定位和映射）可以帮助机器人根据更新的设施模型进行导航。

　　利用离线编程

　　机器人编程的复杂性，以及在仓库或者生产车间调试机器人系统的高成本，使得支持数字孪生的建模和仿真成为复杂机器人应用设计、部署和维护的一个重要组成部分。一旦设计并验证了机器人和相关流程，工程师们就可以使用建模和仿真工具来执行离线编程了。

　　支持数字孪生的建模和仿真，让设计团队能够在完整的物理系统完成之前就开发和测试代码，通过允许并行完成代码编程和物理系统构建来节省时间。

　　罗克韦尔自动化机器人和数字工具平台负责人Roberta Tanzariello表示：“其结果确保了循环时间的优化和无碰撞的轨迹，先进的机器人仿真软件可以通过离线机器人编程部署具有挑战性的机器人应用，例如焊接、钻孔和切割。用户则可以添加详细信息以离线创建完整的程序。”

　　一旦使用第一遍标称数据创建并调整了初始数字模型，就可以将其与控制系统开发工具进行集成了。

　　Harduwar说：“对于制造自动化来说，控制工程师可以准备一个虚拟[可编程逻辑控制器 (PLC)]，并将信号用作数字孪生的输入，成为工程师们可以验证和模拟对新代码物理响应的环境。”

　　离线验证对于运行在危险工作环境中、或者是代码错误可能对机器人系统或操作员造成伤害的系统进行初步集成测试方面，是很有价值的。这样一来，测试故障条件就更安全，并且可以在虚拟环境中更快速地完成。

　　在现有的机器人系统上，工程师可以通过在线仿真调查问题，并使用数字孪生来表示生产环境，这与数字孪生评估代码更新执行方式的方法是相同的。

　　Harduwar说：“我们看到数字孪生被用于解决客户报告的异常情况，这些客户发现他们网站上运行的硬件存在问题，一旦确定了根本原因，就可以在将编程更改应用于实时系统之前，使用这种模型来验证预期结果，从而大大缩短系统停机时间，防止代码错误造成代价高昂的影响。”

　　扩大AI训练的可能性

　　数字孪生技术还有助于训练AI算法，这些机制让机器人能够在生产环境和仓库环境中执行复杂的应用。

　　在此之前，算法训练经常因为缺乏训练数据而受阻。通常，机器人技术开发团队会发现不存在训练数据的问题，这会极大地限制可以训练算法执行的应用。

　　由于要求机器人执行大量独有的应用，使得训练算法的挑战进一步复杂化，加剧了训练数据的问题。

　　但是，数字孪生技术现在提供了一种方法可以训练AI算法以应对更多数量和更多类型的用例。数字孪生可以生成模拟数据并测试新的功能，快速完成大量配置和设计，这些模拟产生的数据随后也可以用于训练AI模型，以适应更广泛的现实世界条件和测试场景。

　　西门子Siemens Digital Industries Software高级机器人仿真总监Alex Greenberg表示：“使用数字孪生仿真生成的合成数据，让AI算法可以学习并适应物理世界中的不同条件和变化，这种方法有助于降低现实世界发生潜在问题的风险。”

　　另外一个例子是在3D计算机视觉领域（即机器感知和传感器融合），3D计算机视觉对于机器人操纵和感知物体距离是至关重要的。

　　Rapacki说：“物体距离对于机器人操纵、抓取或者避开物体的能力至关重要，机器人必须了解物体距离多远。数字孪生提供了无穷无尽的、具有几何特征的场景，3D机器人感知管道可以使用这些场景来训练避免碰撞和抓握等能力。”

　　还有一种被称为“强化学习”的技术，使用数字孪生来解决最复杂的问题，进一步推动了人工智能技术的极限。该技术让算法能够通过模拟中的反复试验来学习如何执行任务，而这个过程在现实世界中是无法实现的。

　　克服调试障碍

　　另一个可以发挥数字孪生建模和仿真能力的领域是机器人系统调试和部署。

　　尽管这些过程面临重重阻碍，但是工程师们必须应对的主要瓶颈是，那些必须验证机器人功能的人需要更多地访问物理系统。

　　遗憾的是，构建和运行物理系统成本很高且通常是不切实际的，因此需要另一种选择，这时候数字孪生技术的虚拟调试功能就可以发挥作用了。

　　这个过程（在模拟中使用具有代表性的客户环境作为数字孪生）解决了这些挑战，同时提高了效率。

　　工程师可以通过虚拟调试功能，把数字孪生连接到控制系统（例如PLC）和其他外部设备，在任何硬件可用之前测试、完善和优化机械、电气和逻辑设计，而无需停止生产。

　　硬件回路仿真可以作为虚拟调试过程的一部分来执行。其中，不同类型的设备和系统可以组合在一个复杂的系统布局中，为开发团队提供操作环境中机器人性能的整体视图。

　　PLC与机器人相连接，在详细模拟中考虑完整的部署，其中包括重力、力和扭矩等因素，根据所需的循环时间确定应用的大小。在这种情况下，仿真功能会对来自PLC的真实控制输入和来自仿真模型的反馈进行测试。

　　工程师们通过虚拟调试过程，通常能够发现并纠正编程错误和机械干扰问题，这个过程还验证了动态区域和机器人工作范围以确保操作安全。

　　Maplesoft公司的Harduwar表示：“以这种方式使用仿真软件，机器人工程师们就可以比构建单个物理系统更快速地生成不同的虚拟原型。在各种操作条件下测试数字模型的性能，也比在仓库中设置多个测试空间更为容易。”

　　支持数字孪生的虚拟调试功能，可以帮助机器人技术开发团队实现高水平的准确性，提供的方法不仅可以验证单个设备和子系统，还可以验证所有组成部分的协同工作情况。

　　Rapacki说：“模拟功能让机器人工程团队可以在验证极端情况和执行错误修复、合并代码以及管理行为树和部署集成方面尽可能接近完美，这种系统级验证——特别是代码更新——加快了部署时间并显着提高了机器人的质量。”

　　当数字孪生进入现场

　　一旦机器人技术开发团队准备好数字孪生，它就可以将模拟扩展到设计和初始调试阶段以外的应用。如果可以从传感器获得实时操作数据，或者可以从历史数据中推断出实时操作数据，那么开发团队就可以对数字孪生进行增强，使其代表的物理机器人系统随时间推移有所增强。这可以支持性能的优化，通过调整可控参数来最大限度提高吞吐量，并找到减少操作磨损的方法来推动业务成果。

　　“可以根据在操作过程中观察到的真实行为来评估和测试机器人的性能，并且可以使用数字孪生仿真来支持预测性和规范性措施，以提高性能或者评估潜在问题的替代解决方案，” Siemens Digital Industries Software数字制造高级营销经理Mike Rouman这样说道。

　　对于需要响应不断变化的环境或者与其他机器交互的机器人资产来说，数字孪生可以作为理想的操作案例，让设计师可以从中检测异常并考虑对生产进行调整，这个过程简化了产品改进和流程，能够在性能参数出现波动的时候进行调整。

　　如今在业界中，数字孪生技术正在被用于排除操作硬件故障，因为这种模型为问题提供了上下文背景，使设计人员能够在不让受影响系统离线的情况下，进行任何补救和代码更改操作。数字孪生凭借传感器数据的良好质量以及仿真运行时间的缩短，相比标准的固定时间仿真来说，可以从更有利的点上对系统进行研究。

　　Harduwar说：“未来的挑战将是在更广泛的环境中开发快速、高效的数字孪生模型，并培训更多工程师学习使用和应用支持这些数字化转型技术的工具。”