传感器仿真是什么？

传感器仿真对真实世界传感器的物理属性和行为进行建模，以再现其感知周围环境的过程。 该技术使开发者能够拥有一个安全的试验场，来训练、测试和验证用于机器人、汽车和工业应用的物理 AI 模型。

机器人和自动驾驶汽车 (AVs) 等自主系统依赖于复杂的多维 AI 模型，使用传感器数据来感知和回应周围环境。

为自主系统开发物理 AI 算法需要大量的数据来代表现实世界条件的多样性和不可预测性。 但是，收集和标注大量有用的真实世界传感器数据耗时耗力且成本高昂。 此外，由于安全问题，要收集现实世界中危险场景的数据困难重重。

传感器仿真提供了一种安全、可控和可扩展的方式来训练、验证和测试需要大量数据的模型，并加速物理 AI 的开发。

传感器仿真渲染基于物理环境，开发者可通过无数逼真的“假设”场景运行自主模型，进行可靠的训练和测试。 由于机器人、自动驾驶汽车和智能工厂对传感器数据的精确性和与环境的交互要求甚高，因此，传感器仿真对其至关重要。

虚拟环境中的仿真传感器以多种方式简化了物理 AI 开发：

仿真可以用于生成合成数据和新变体，可从真值数据中捕获现实世界场景的多样性。 多样化的数据集使模型能够推广到各个领域，从而提高它们在不同环境和用例中运行的有效性。

传感器仿真可以对自主机器如何感知其环境的各个方面进行模拟，而无需进行真实世界的交互。 这包括任意给定场景的外观、行为和内容，以及传感器噪音、遮挡、来自其他智能体的不利操纵以及严酷的照明和天气条件。 通过在安全、可扩展的环境中进行软件在环和硬件在环测试，开发者可以全面验证并改进其系统，确保在部署前提高安全性和可靠性。

传感器仿真减少了对昂贵的大规模数据采集和标注数据的依赖，以及测试和验证所需的物理原型数量。

传感器仿真使开发者能够配置虚拟世界，使用自动化工作流进行快速迭代，以提高性能并缩短端到端开发时间。 此外，传感器仿真使开发者能够在物理传感器可用之前对完整的解决方案进行原型设计。

虚拟传感器的仿真必须反映真实世界传感器的物理属性和行为，具有一定程度的保真度，提升开发者信心，使用模拟传感器数据来增强和扩展现有的真实世界工作流。

扩展和维护传感器仿真解决方案，以与其他传感器或新功能相整合，例如高级渲染功能或复杂的传感器行为（如非视觉传感器的多次反射、多路径光线追踪效果），这些任务通常需要大量的技术专业人员。

传感器仿真解决方案能够实现物理 AI 开发所需的精确性和可扩展性，但构建和维护成本可能很高。 这通常意味着需要建立大规模的基础设施，并且需要能够管理整个软件和硬件堆栈的团队。

传感器仿真解决方案通常在复杂硬件上使用定制软件包构建，需要特定的领域专业知识。 目前没有即插即用解决方案，可以让开发者轻松地将现有的仿真工作流与传感器仿真相连，并训练/测试他们的物理 AI 系统。

高效的传感器仿真包括以下组件：

开发者可以利用包括操作环境的 3D 模型的数字孪生技术。这些环境可能包括具有材料和视觉属性的车辆、人、机器人、工厂或街道。 数字孪生还应包括物理现象，例如光如何与物体交互。 这种详细的表达让传感器模型与周围环境进行交互，并提取真值标签，用于训练和测试物理 AI。

在仿真环境中，开发者必须定义 3D 场景中智能体基于物理的行为，包括光和物质。 这包括精确模拟行人行走、箱子从架子上掉下来，或者移动车辆或机器人的动态等动作。 每个实体都应符合物理定律，确保真实现实行为，并生成精确的传感器输出。

传感器仿真模型模拟传感器工作流中的每一步，以准确地模拟真实世界传感器的物理和行为。 这一工作流包括光和无线电波的行为，每个传感器中的发射器和接收器的行为，以及每个传感器特定的其他内部作业，如机械激光雷达或相机上的滚动快门的旋转。 各种物理现象，如多次反射、多路径射线效应、多普勒、透镜的光失真、图像数据中的动态模糊、低光噪声等都是缩小仿真与真实数据之间的域间隙的重要方面。

传感器仿真可以使任何使用自主机器或依赖于传感器设备的行业受益。

仿真是自动驾驶汽车开发工作流的基础组成部分。特别是传感器仿真，对于测试和验证基于高保真度的物理传感器数据的感知和规划堆栈至关重要。

具体而言，开发者可以在传感器仿真中反复再现真实世界的驾驶。该精确反复再现驾驶的能力使开发者能够对性能进行基准测试，测量堆栈是否改进或退化，并全面测试自动驾驶汽车和驾驶员辅助系统。

传感器仿真还提供了一个试验场，以训练自动驾驶汽车的深度神经网络，为车辆的感知提供动力。这些网络可以不断体验多样化的新数据集，以磨练其准确理解周围环境的能力。传感器仿真还可以用于开环数据生成，创建各种挑战自动驾驶汽车的数据集。

最后，开发者可以在动态、反应性强且安全至关重要的平台上进行闭环测试。采用高保真度传感器的大规模运行和高性能的闭环仿真，可以增强自动驾驶汽车开发者加速预检定位、调试和开发新功能的能力，这有助于开发人员验证自动驾驶系统，以实现在真实世界部署。

依赖感知的机器人可以充分利用传感器仿真工具。

自主移动机器人 (AMR) 在工厂和仓库中已经变得很普遍，用于吊装产品和运输货物。这些自主移动机器人配备了大量传感器，与自动驾驶汽车一样，必须理解周围环境并安全地导航。

人形机器人采用模仿人类外形和功能的设计，依靠传感器在不同的环境中移动并与物体交互。传感器仿真对于将机器人投入到现实世界运行前，测试和增强这些机器人在不可预测的环境中的功能起到关键作用。

机器人开发者使用传感器仿真来进行姿势估计，使机械臂能够正确抓取物体。传感器仿真还用于调优 AI 模型，用于光学检测应用场景，如检测装配线上的缺陷产品和产品分拣。

传感器仿真可用于训练为仓库、机场、医院等智慧空间提供支持的 AI 模型。

开发者可对一系列应用进行感知模型的训练，从工人安全到自主移动机器人的路线规划和车队优化，再到库存管理。 

传感器仿真可用于验证各种AI机器人和摄像头在物理场所的虚拟表现中的性能。 这使得可以在单一统一的空间内对不同的自主机器进行可扩展的测试。

先进的超声波和内镜医疗设备依赖于传感器检查，以及从临床边缘设备捕获医疗数据并以流媒体方式传输数据。 这些设备需要极高的准确性和精度，特别是用于诊断或外科手术中。 传感器仿真能够训练、测试和校准医疗设备，实现手术精确性，从而降低错误或误诊的风险。

NVIDIA 提供支持传感器仿真工作流的工具套件。

NVIDIA Omniverse™ 是一个由 API、SDK 和服务组成的平台，使开发者能够轻松地将通用场景描述 (OpenUSD) 和 RTX 渲染技术集成到现有的软件工具和仿真工作流中，以构建 AI 系统。

NVIDIA Omniverse Cloud Sensor RTX™ 是一套微服务，可实现物理精确的传感器仿真，以加速各类完全自主机器的开发。Omniverse Cloud Sensor RTX 基于 OpenUSD 框架，并由 NVIDIA RTX™ 光线追踪和神经渲染技术提供支持，可加速生成高保真度传感器数据，用于自主机器中使用的摄像头、激光雷达和雷达，以安全、可重复的方式训练和验证物理 AI。