设施智能体案例解析

上回讲到了我们提出设施智能体（Agent-Facility）的原由，以及构件设施智能体的关键技术，下面我们将以一个实际案例介绍一下设施智能体的概貌。具体的技术详情会在后续的文章中进行具体介绍，请各位关注我们的公众号。

以Omniverse制作的仓储设施智能体为例，我们把设施智能体分解成四个部分：

1. 3D工作流

• 建立数据管道和工作流

以厂房3D数据管道和工作流为例：

• 数字资产库

1. 1. 静态资产：

静态资产没有关联的操作或行为。他们不会改变自己的外貌、位置、方向等。除非在与其他资产互动过程中发生改变。这类资产需要细化材质，提高表示准确性。这类资产是设施智能体的基础框架，可以与其他资产的行为发生交互。以下为静态资产的示例包括箱子、板条箱、地板标记、安全锥和楼梯。

注：静态数字资产库

1. 2. 运动学资产：

运动学资产是以某种形式驱动的符合物理定律进行表示的资产。他们可以改变位置、方向、执行动作，并具有各种各样的行为。在仓储设施智能体中，这些资产用于模拟仓库内的机械、机器人、人员和其他设备例如从 A 点移动到 B 点的叉车，执行器、传送带、自主机器人和数字人。

1. 3. 数据流资产：

数据流资产是内置了某种形式的数据流的资产。这些资产是用于模拟记录、存储和处理数据以及与不同数据源通信的物理或虚拟对象。数据流资产的示例包括摄像头和监控系统、IoT 设备、动力站和仓库管理系统（WMS） 数据管道等。

2. 仿真

• 基于3D 模型物理学（包括材质、运动学等）仿真：

• 特定领域求解器仿真（包括电力、业务流、数据流、排程、路径规划等）：

• 使用人工智能，提高精度和拟合度，进行时序预测（包括LLM预测、流体预测等）：

3. 自治

• 自主系统

以业务流为基础，针对人工干预节点采用自主系统进行替代。自主系统可能包括了自主执行系统（机器人、虚拟员工等）、自主决策系统（LLM链或其他AI模型等）；

例如以AutoGPT作为自主决策：

• 创建合成数据

自主系统需要合成数据进行测试和训练，可以在上方亚马逊的案例中看到利用合成数据训练抓取机器人以自动适应业务的变化。同理的还可以参考在沙盒环境中训练自动驾驶机器人，以加快自动驾驶AI模型的训练：

• 利用数字孪生和生成的合成数据来训练、测试和优化自主系统，包括机器人和感知系统，以应对现实世界中难以测试的场景（如多次模拟自动驾驶系统躲避来向车辆，现实测试中可能会导致汽车损坏，增加大量的成本）。

4. 具身

• PLC、IoT的输出

如流水线的同步控制、乃至简单的水电表的阀控；具身智能一定是要前置自主系统的，否则与遥控器无异。

• 声音、影像输出

如警铃、LED提示屏等：

前置的自主系统可以利用LED的输出指挥现场车辆。

• 具身智能体的输出

具身智能体与其他一般具身的区别在于：1、有边缘算力，可以进行即时推理；2、可以完成多种任务。以家庭具身智能体为例：

最终，我们还是回归目的，设施智能体的目的是什么？

加速创新：

• 更快、更准确地测试新技术的业务案例；
• 定制自主机器人的操作，然后持续训练、测试和优化；
• 加快设计和评估过程并尽量减少前期投资。

安全操作：

• 推理、判断、测试、模拟安全问题；
• 评估设计或实施的环境的安全性；
• 为操作重型机械提供安全的培训环境。

持续监控：

• 提供整个智能体操作的整体监控功能，包括可视化、交互式、模块化并且可调节颗粒度。

实现敏捷性和适应性：

• 加快智能体由于维护、设备故障、业务需求变化、响应紧急情况、自然灾害等情况造成的重新设计、验证和实施；
• 根据需求和/或季节性变化有效地扩大或缩小运营规模。

消除中断：

• 支持对新设计、新流程的增量升级；
• 加速由于设备故障而对操作流程和机制的故障排除；
• 管理软件如ERP、MES、PMS等的在环测试。

最大限度地降低运营成本：

• 优化劳动力规划；
• 提高能源效率；
• 最大限度地减少因运营效率低下或库存损坏而导致的浪费。

优化资本投资：

• 优化支持智能体运营所需的硬件；
• 优化空间分配和使用以支持业务需求。

将风险降至最低：

• 支持数据驱动型决策；
• 在物理世界中执行所有计划之前对其进行测试和验证。

当然这只是个案例的概貌，下一期我们会介绍在数字孪生领域如何应用基于USD的3D数据流。