Neues FANUC-NVIDIA-System: Virtuelle Roboter verhalten sich wie echte Maschinen

Die Unternehmen betonen, dass das verbesserte System eng vernetzte Digitale Zwillinge schafft, bei denen virtuelle Roboter dieselben Bahnen und Zykluszeiten wie reale Maschinen nachbilden, indem sie identische Steuerungsalgorithmen verwenden. FANUC präsentierte die Technologie erstmals auf der International Robot Exhibition in Tokio im vergangenen Jahr; die neue Version vertieft die Kommunikation zwischen den beiden Systemen.

In der ersten Konfiguration übernimmt NVIDIA Isaac Sim die Rolle der primären virtuellen Umgebung, während ROBOGUIDE im Hintergrund läuft, um sicherzustellen, dass das Roboterverhalten mit der Bewegung in der realen Welt synchron bleibt. Ingenieure können Roboter in Isaac Sim mit physischen oder virtuellen Teach-Pendants betreiben, die an ROBOGUIDE angeschlossen sind.

Dies ermöglicht Echtzeit-Jogging, Programmierung, Ausführung und Verifikation direkt auf einem simulierten Fabrikboden. Die Einrichtung nutzt zudem NVIDIA Omniverse-Bibliotheken und Isaac Lab, um anspruchsvolle Roboteraufgaben wie Kabelhandhabung, Einsetzvorgänge und Montagearbeiten zu simulieren, die in virtuellen Umgebungen traditionell nur schwer präzise nachzubilden sind.

Schließung der Simulationslücke Eine der größten

Schließung der Simulationslücke Eine der größten Herausforderungen in der Robotik ist die „Sim-to-Real"-Lücke: Roboter, die in Simulationen trainiert wurden, verhalten sich in realen Bedingungen oft anders aufgrund, der Zeitsteuerung oder den Wechselwirkungen mit der Umgebung.

FANUC betont, dass seine Integration mit ROBOGUIDE Roboterbahnen und Zykluszeiten zwischen Simulation und physischem Einsatz identisch hält und so diese Inkonsistenzen beseitigt. Die Umgebung unterstützt zudem Reinforcement Learning und Imitationslernen für KI-gestützte Robotersysteme. Im zweiten Integrationsmodus steht ROBOGUIDE im Vordergrund, während NVIDIA PhysX die physikalische Simulation im Hintergrund übernimmt.

Dies ermöglicht ein realistischeres Testen industrieller Aufgaben wie des Bin Picking, bei dem Roboter zufällig gestapelte Teile identifizieren und entnehmen müssen. Durch physikbasierte Modellierung kann das System Szenarien simulieren, in denen Roboter ein Objekt nicht entnehmen können und stattdessen autonom ein anderes auswählen, wodurch der Bedarf an wiederholten Tests mit physischen im realen Umfeld reduziert wird.

Die Unternehmen geben an, dass diese

Die Unternehmen geben an, dass diese virtuelle Machbarkeitsprüfung die Einsatzzeit für komplexe Automatisierungssysteme, die zuvor umfangreiche Vor-Ort-Anpassungen erforderten, erheblich verkürzen kann.

FANUC hat zudem sein KI-gestütztes Mensch-Roboter-Kollisionsvermeidungssystem auf der NVIDIA Jetson Thor-Plattform aktualisiert und damit die Rechenleistung um mehr als das 7,5-fache im Vergleich zum früheren auf Jetson AGX Orin basierenden System gesteigert.

Lernen Kleidung Neben der Digital-Twin-Technologie präsentierte FANUC ein Zwei-Arm-Robotersystem, das T-Shirts mithilfe des NVIDIA Isaac GR00T N-Roboter-Grundmodells falten lernt. Die Einrichtung nutzt zwei CRX-Kollaborationsroboter, die durch Imitationslernen trainiert werden: Ein menschlicher Operateur führt zunächst die Faltaufgabe aus, und die Roboter lernen aus diesen Demonstrationen.

Flexible Objekte wie Kleidung sind für

Flexible Objekte wie Kleidung sind für Roboter besonders schwierig, da sich ihre Form während des Handhabens ständig ändert. FANUC gibt an, dass die Roboter Bewegungen in Echtzeit erzeugen und dabei Objekte mit Kameras visuell verfolgen.

Das Unternehmen ergänzt, dass die Kombination seines Bewegungssystems mit NVIDIAs GR00T N-Modell glattere Bewegungen erzeugt als herkömmliche nach dem Imitationslernen trainierte Robotersysteme, die oft segmentiert oder ruckartig wirken. Die Technologien werden auf dem bevorstehenden Open-House-Event.