對於自主機器人來說，感知與理解周圍環境是其面對的一大挑戰。
適逢 ROS World 2021 大會，NVIDIA 宣布其為 ROS 開發者社群提供高效能感知技術的最新進展。這些計畫將加速產品開發以及提高產品效能，最終讓開發人員能夠更輕鬆地將最先進的電腦視覺及人工智慧 (AI)/ 機器學習 (ML) 功能，應用於 ROS 架構的機器人應用程式。
最新消息
● 提供最高效能的即時立體測距解決方案，可作為 ROS 軟體包使用
● NGC 上各項 NVIDA 推論深度神經網路 (DNN) 皆能作為 ROS 軟體包使用，其中包含影像分割和姿勢估計的範例
● NVIDIA Isaac Sim 中的全新合成資料生成 (SDG) 工作流程，可為視覺 AI 訓練提供大規模生產品質等級的資料集
● NVIDIA Isaac Sim 在 Omniverse 上對 ROS 提供開箱即用的支援能力正式推出 GA 版本，其為對開發者最友善的版本
NVIDIA Isaac ROS GEM – 最佳化的效能
圖一_NVIDIA Isaac ROS GEM 的軟體方塊圖
Isaac ROS GEM 提供包含影像處理和電腦視覺的軟體包，其內含針對 NVIDIA GPU 和 Jetson 進行高度最佳化調整、並基於 DNN 架構的演算法。
出色的 GEM 立體視覺測距法 – 最佳的準確度及經過最佳化調整的效能
當自主機器在環境中移動時，必須追蹤自己的位置。視覺測距法透過估算攝影機與其起始位置的相對距離，以解決這個問題。用於立體視覺測距的 Isaac ROS GEM 為 ROS 開發者提供這項強大的功能。
這個 GEM 為即時立體攝影機視覺測距解決方案提供了最高的精準度。在此可以參見按照廣泛使用之 KITTI 資料庫所提供的公開結果。除了極高的精準度，該 GPU 加速套件的運行速度也十分快。事實上，現在可以在 NVIDIA Jetson AGX Xavier 上，即時 (>60fps) 以 HD 解析度 (1280x720) 來運行 SLAM。
出色的 GEM DNN 推論能力 – ROS 開發人員可以取得 NGC 上的各種 DNN 推論模型
你可以使用 NVIDIA 在 NGC 上提供的任何推論模型，甚至可以透過 DNN 推論 GEM (一套 ROS2 軟體包) 提供自己的 DNN。亦可以使用 NVIDIA TAO 工具套件，對已預先訓練完成的模型進行調整，或最佳化自己的模型。
完成最佳化調整後，NVIDIA 的推論伺服器 TensorRT 或 Triton 會部署這些軟體包。透過 NVIDIA 高效能推論軟體開發套件 (SDK) TensorRT 的節點，將達到最佳的推論表現。若 TensorRT 不支援所需的 DNN 模型，則應使用 NVIDIA Triton 來部署該模型。
GEM 以原生方式支援 U-Net 及 DOPE。基於 TensorRT 的 U-Net 軟體包可用於從影像產生出語義分割遮罩。而 DOPE 軟體包則可用於對所有偵測到的物體估算其 3D 姿勢。
這項工具是將高效能 AI 推論納入 ROS 應用程式的最快方法。
圖二_來自三個 Isaac ROS GEM 的合成影像，包含 DNN (PeopleSemSegnet)/ AprilTags/ Disparity (Depth)
正式推出 NVIDIA Isaac Sim GA 版本
NVIDIA 將於 2021 年 11 月推出 Isaac Sim 的 GA 版本，將是目前為止對開發者最友善的版本。該版本在使用者介面、效能及有效的構建模組方面有諸多改善，因此將帶來更好的模擬以及更快的構建速度。此外，提升後的 ROS Bridge 和更多的 ROS 範例將強化使用者體驗。
此版本的更新項目 (2021.2 版本預計將於 2021 年 11 月推出)
• 提高效能，減少記憶體使用量和啟動時間
• 改善佔據地圖生成、URDF 匯入器
• 全新環境包含大型倉庫、辦公室、醫院
• 全新 Python 構建模組，用於與機器人、物體與環境連接
• 改善 ROS/ROS2 Bridge、深度點雲、光達點雲的效能
• 範例更新
o 使用 ROS2 進行多機器人導航
o 在 Jupyter 中具有域隨機化的 SDG
使用 ROS MoveIT 共同控制 Franka 機器人
全新合成資料生成工作流程 – 從 Isaac Sim 建立生產品質等級的資料集
自主機器人需要大量且多樣的資料集，以訓練運行其感知堆疊的多個 AI 模型。想要從真實場景中取得這些訓練資料，得花上高昂代價，而在極端的情況下，還有發生危險的可能性。Isaac Sim 提供的全新合成資料工作流程，可以建立生產品質等級的資料集，以解決自主機器人在安全及品質方面的問題。
建立資料集的開發人員可以控制場景中的物體、場景本身、光線照明，以及合成感測器的隨機分佈。開發人員還能進行微調，以確保在資料集中有納入重要的極端情況。最後，這個工作流程支援版本和除錯資訊，以便能夠按照審計和安全目的精確複製資料集。
圖三_Isaac Sim 中感測器函式庫的合成資料範例
開始使用
瞭解如何開始使用 Isaac ROS。
前往 NVIDIA 在 ROS World 21 大會的虛擬攤位，觀看 Isaac 的相關技術簡報內容。
• NVIDIA 首席模擬工程師 Hammad Mazhar 分享如何使用 Isaac Sim 來模擬各種 ROS/ROS2 驅動的工作流程。
• NVIDIA Isaac 資深產品經理 Liila Torabi 與部分全球最大型機器人模擬產品的開發人員，於 ROS 模擬工具小組議程中，討論模擬的過去、現在和未來。
