Tytułowe firmy poinformowały o rozszerzeniu współpracy w obszarze rozwoju tzw. physical AI dla robotyki przemysłowej. Partnerstwo koncentruje się na integracji rozwiązań NVIDIA z ekosystemem robotycznym FANUC, obejmującym oprogramowanie symulacyjne ROBOGUIDE oraz portfel robotów przemysłowych producenta. Zgodnie z informacjami przedstawionymi podczas konferencji GTC 2026, współpraca obejmuje wykorzystanie platform NVIDIA Isaac Sim i Omniverse, modułów edge computing NVIDIA Jetson, a także integrację narzędzi AI z przemysłowymi systemami automatyki.
Omawiana współpraca wpisuje się w kierunek rozwoju przemysłowej robotyki, w którym coraz większą rolę odgrywają systemy symulacyjne, przetwarzanie danych w czasie rzeczywistym oraz integracja narzędzi sztucznej inteligencji z warstwą operacyjną automatyki. Jednocześnie obecne informacje dotyczą przede wszystkim kierunku rozwoju technologii i integracji platform, a nie wdrożonych na szeroką skalę rozwiązań przemysłowych nowego typu.
Physical AI w kontekście robotyki przemysłowej
Pojęcie Physical AI coraz częściej pojawia się w komunikacji firm rozwijających technologie AI i robotykę. W tym ujęciu odnosi się ono do systemów sztucznej inteligencji, które nie ograniczają się do analizy danych, lecz wykorzystują percepcję otoczenia, interpretację zdarzeń fizycznych oraz możliwość oddziaływania na świat rzeczywisty za pośrednictwem urządzeń wykonawczych.
W środowisku robotyki przemysłowej oznacza to rozwój rozwiązań wykraczających poza klasyczny model pracy oparty na sztywno definiowanych sekwencjach ruchów i z góry określonych scenariuszach działania. Takie podejście jest szczególnie istotne w zastosowaniach, w których środowisko pracy ma charakter zmienny, a system wymaga szybszej adaptacji do nowych warunków operacyjnych.
Cyfrowe bliźniaki i kierunek sim-to-real
Jednym z najbardziej konkretnych elementów współpracy jest integracja środowiska FANUC ROBOGUIDE z NVIDIA Isaac Sim oraz platformą Omniverse. Cyfrowe bliźniaki od lat stanowią element nowoczesnej automatyki przemysłowej, jednak praktyczne wykorzystanie środowisk symulacyjnych nadal wiąże się z ograniczeniami wynikającymi z różnic pomiędzy zachowaniem modeli cyfrowych a rzeczywistą pracą urządzeń. Problem ten określany jest jako luka sim-to-real, czyli rozbieżność pomiędzy wynikami uzyskanymi w środowisku symulacyjnym a zachowaniem systemu po wdrożeniu fizycznym.
FANUC wskazuje, że integracja z NVIDIA ma ograniczać ten problem poprzez połączenie ROBOGUIDE — odwzorowującego logikę rzeczywistych sterowników FANUC — z zaawansowanym środowiskiem symulacyjnym NVIDIA umożliwiającym modelowanie fizyki, dynamiki ruchu oraz interakcji obiektów. Oznacza to możliwość budowy bardziej zaawansowanych modeli cyfrowych stanowisk i linii produkcyjnych wykorzystywanych do testowania konfiguracji robotycznych przed wdrożeniem fizycznym. W praktyce część procesu projektowego może być realizowana w środowisku wirtualnym jeszcze przed uruchomieniem infrastruktury produkcyjnej.
Środowisko symulacyjne
Elementem tej integracji jest również wykorzystanie standardu OpenUSD (Universal Scene Description), rozwijanego jako architektura wymiany danych dla środowisk symulacyjnych iwizualizacji. FANUC poinformował o udostępnieniu modeli swoich robotów jako zasobów zgodnych z architekturą SimReady, co ma umożliwiać ich wykorzystanie w środowiskach NVIDIA bez konieczności dodatkowej konwersji modeli i konfiguracji podstawowych parametrów.
Z technicznego punktu widzenia interoperacyjność tego rodzaju ma znaczenie dla projektowania złożonych środowisk cyfrowych, gdzie integracja urządzeń pochodzących od różnych dostawców pozostaje jednym z praktycznych ograniczeń wdrożeniowych.
Edge AI w warstwie wykonawczej automatyki
Drugim obszarem współpracy jest wykorzystanie platform NVIDIA Jetson, czyli modułów obliczeniowych przeznaczonych do zastosowań edge AI. W praktyce oznacza to możliwość uruchamiania modeli sztucznej inteligencji bezpośrednio przy urządzeniu wykonawczym, bez konieczności przesyłania wszystkich danych do centralnej infrastruktury obliczeniowej. W zastosowaniach przemysłowych takie podejście może być wykorzystywane tam, gdzie wymagane jest przetwarzanie danych z niskimi opóźnieniami, na przykład w analizie obrazu, rozpoznawaniu obiektów, interpretacji danych sensorycznych czy adaptacyjnym sterowaniu ruchem. Na obecnym etapie FANUC nie przedstawił szczegółowych parametrów wdrożeniowych ani scenariuszy komercyjnych implementacji.
Standardy wykorzystywane w rozwoju AI
W przekazanej przez firmy informacji zwrócono również uwagę na wsparcie dla ROS 2 oraz języka Python. W kontekście przemysłowej robotyki ma to znaczenie ze względu na historyczną dominację zamkniętych środowisk programistycznych, opartych na narzędziach specyficznych dla poszczególnych producentów. ROS 2 jest obecnie jednym z podstawowych frameworków wykorzystywanych w rozwoju robotyki, natomiast Python pozostaje standardowym językiem w projektach związanych ze sztuczną inteligencją i machine learning.
Integracja z tymi środowiskami może ułatwiać rozwój aplikacji łączących systemy automatyki przemysłowej z narzędziami AI, choć zakres wykorzystania takich rozwiązań w środowiskach produkcyjnych zależy od konkretnych wymagań operacyjnych i architektury wdrożeń.
Zmiany w architekturze systemów robotycznych
Współpraca firm, podsumowując, wpisuje się w szerszy kierunek zmian technologicznych obejmujących integrację robotyki, środowisk symulacyjnych oraz infrastruktury obliczeniowej AI.W praktyce oznacza to przesuwanie części funkcjonalności tradycyjnie realizowanych przez odseparowane warstwy systemów przemysłowych do bardziej zintegrowanych środowisk obejmujących modelowanie cyfrowe, przetwarzanie danych w czasie rzeczywistym i narzędzia sztucznej inteligencji. Należy jednak zaznaczyć, ze zZakres rzeczywistego wpływu tego typu integracji będzie zależał od dojrzałości technologicznej rozwiązań, interoperacyjności ekosystemów oraz skali ich wdrażania w środowiskach przemysłowych.
Zobacz również
