Las tecnologías de simulación y gemelo digital impulsadas por inteligencia artificial pueden acelerar de forma significativa, hasta en un 50%, la puesta en marcha de soluciones autónomas. Así se refleja en los resultados de una colaboración de Toyota Material Handling Europe, Nvidia y SoftServe para el uso de la IA física, que consiste en el uso de la IA aplicada a máquinas.
Las tres compañías han desarrollado una base de gemelo digital centrada para el desarrollo y la validación de carretillas autónomas, impulsada por el stack tecnológico abierto de IA física de Nvidia, que conecta ingeniería, simulación, gemelos digitales y operaciones de manipulación de materiales. El objetivo es validar el comportamiento de los vehículos autónomos en simulaciones físicas en tiempo real antes de su implantación en el cliente.
Toyota Material Handling Europe ha integrado las bibliotecas Nvidia Omniverse y Nvidia Isaac Sim en sus flujos de trabajo para desarrollar soluciones autónomas adaptadas al entorno de cada cliente. SoftServe ha diseñado el entorno de gemelo digital en el que se basa este trabajo, trasladando el stack tecnológico de Nvidia para IA física a un entorno de simulación que se pueda utilizar en producción para garantizar que no haya ningún desperdicio de tiempo ni de recursos.
IA física para mejorar la seguridad y el rendimiento operativo
Mediante la integración de las bibliotecas Omniverse, Toyota Material Handling creará gemelos digitales para simular la distribución de las plantas y validar la navegación de las carretillas autónomas, la lógica de seguridad, el comportamiento de los vehículos y los casos límite específicos de cada cliente. Esta integración permite que los vehículos autónomos operen de forma segura junto a personas, carretillas manuales y el tráfico mixto del almacén.
La colaboración extiende además la IA a la producción mediante visión artificial y agentes inteligentes basados en tecnología de Nvidia para la inspección de calidad, el mantenimiento predictivo, la optimización de procesos y la gestión energética.
Para entrenar el módulo de detección de palets basado en cámaras, se generaron datos sintéticos con las bibliotecas Omniverse, ampliados con los modelos de Nvidia Cosmos, de manera que la capacidad de detección de objetos mejoró más de un 70%. La iniciativa aspira también a reducir hasta un 40% el tiempo de lanzamiento al mercado y hasta un 50% el esfuerzo de puesta en marcha.
De este modo, ayuda a los clientes a obtener valor al minimizar las interrupciones durante la puesta en marcha, mejorar la calidad de la solución antes de su entrada en funcionamiento y acortar el camino desde el diseño hasta una implantación validada. Además, contribuye a mejorar la productividad de la ingeniería, la flexibilidad de la producción y la calidad del producto, al tiempo que reduce los costes operativos.
