NVIDIA Omniverse在工程应用中的思考-行业资讯

完善主体资料，免费赠送VIP会员!

* 主体类型

个人

企业

* 企业名称

* 信用代码

* 所在行业

* 企业规模

* 所在职位

* 姓名

* 所在行业

* 学历

* 工作性质

请先选择行业

您还可以选择以下福利：

行业福利，领完即止！

代领证书

一键查询BIM证书

下载app免费领取会员

NVIDIA Omniverse在工程应用中的思考

发布于：2024-09-07 19:45:44

首页/技术分享/行业资讯

313

网友投稿

NVIDIA Omniverse工程应用探讨

主要讨论了NVIDIA Omniverse在工程应用中的思考，包括其在并行业中的应用、与主流软件的联动演示、学习伙伴的总结和反思等。同时，还介绍了在元宇宙中的应用、开发平台、代码开发模块等。此外，还讨论了如何实现3D仿真和数据传输，以及如何在企业中进行人工智能领域的应用。最后，邀请了一位专家分享自己在工程应用中的思考，希望大家都能够积极参与讨论，发挥主观能动性。

工程设计领域的工程数字化平台探索

主要讨论了omniverse平台在工程设计和数字化领域的应用。首先，omniverse平台可以实现模型共同编辑、异地协同、实时模型交互、科学仿真、物理模型仿真以及极高的开放性。

其次，omniverse平台可以应用于工程设计、数字化、模拟等领域，具有颠覆性的意义。最后，会议提出了omniverse平台在工程设计中的应用场景和可能带来的颠覆性成果。

GPU算力提升与人工智能应用

探讨了算力提升在工程设计领域的应用。首先，英维达在2008年展示CPU和GPU的工作方式区别，通过GPU的计算模式展示了算力提升的效果。其次，谷歌在2012年宣布了一个项目，使用1万6000个CPU芯片进行训练，实现了对视频内容的识别，准确率达到了74.8%。最后，2012年10月份的ImageNet图像识别大会上，使用四颗GPU进行计算，实现了对多种图形的识别，准确率达到了84%。

GPU与CPU在算力提升中的作用

主要讨论了GPU和CPU在算力提升方面的区别。GPU更擅长于做并行运算，效率高于CPU。此外，GPU在架构上还有存储优势和流处理优势。在图形渲染过程中，通过矩阵运算实现模型的转换和光照处理。会议还提到了计算机图形学中的点线面逻辑，以及如何通过矩阵运算实现点的缩放、旋转等操作。

仿真问题与运动学仿真定义的探索

主要讨论了仿真技术在各个领域的应用，如运动学仿真、科学计算仿真等。运动学仿真主要关注机器人、物体的运动模拟，适用于全场景应用，如机器人的运动仿真和物流仓库的运动仿真。科学计算仿真则涉及物理条件、算法和已知结果等方面，需要借助科学计算寻求答案。由于仿真的定义跨领域和学科，导致各个领域的朋友提出的问题也五花八门，介绍问题的人难以深入了解仿真领域的基础科学条件。

模型层级管理与轻量化处理的探索

主要讨论了两个方面：模型层级管理和模型压缩。首先，介绍了模型的层级管理，类似于CAD设计中的图层或工作集，可以设置权限让别人操作，也可以引用其他人的层级。其次，关注了模型压缩技术，通过USD模型压缩技术将房间家具等场景压缩至不到50KB，效果非常好。最后，提到了一个视频，展示了将机器人仿真与工厂结合的场景，展示了在工厂领域的应用。

omniverse平台在协同设计中的应用

主要讨论了omniverse平台在软件协同工作中的优势，以及它对科学计算和仿真领域的影响。omniverse平台可以实现不同软件之间的无缝协作，避免了传统软件之间的延迟问题。同时，它还可以兼容很多平台，如基于USD的connector等。此外，omniverse平台还具有流体仿真和科学计算的能力，与传统计算仿真相比，它更注重网格体的构建。会议还提到了omniverse平台在工厂设计、机器人运动仿真等方面的应用，以及它在科学计算领域带来的影响。

仿真计算与流场模拟的深度解析

主要讨论了仿真计算中需要考虑的场计算问题。首先，需要了解计算域的分布，然后根据几何模型画网格体进行计算。其次，CAD软件输出的几何模型不能直接用于仿真计算，需要基于网格体模型进行二次处理。最后，流体力学仿真可以通过神经网络计算来得到结果，不仅仅是英伟达在做，其他学者也做研究。

神经网络在物理求解中的应用

神经网络PINN是一种基于虚拟网络计算算法进行自我学习的方法，通过给定数据输入到算法模型中，根据历史数据预测出新的数据。神经网络在物理求解过程中也有应用，如基于观测数据或仿真数据的预测结果。与数值分析相比，神经网络的结果难以解释，可靠性较差，泛化能力也有限。然而，神经网络在处理少量数据时具有优势，可以推断出结果。因此，在实际应用中，需要结合其他计算架构和实验验证来提高预测结果的可靠性。

GPU并行计算与仿真软件的应用

主要介绍了计算仿真软件的并行计算算法架构。传统CFD计算以串行计算为主，可解释性强，但效率相对较低。多物理场下的计算非常复杂，且效率低。超级计算机在核物理研究和大气计算等领域有应用，但由于其单条件计算结果受初始条件影响，求解效率较慢。

模型处理与数据协同在工程设计中的应用

主要讨论了协同设计的内容和目标。协同设计是以模型为基础，以结构化属性数据为基础，实现不同专业和人的数据协同。目前主流的协同设计软件，都是针对产品设计和工程设计的，而不是以模型为主的。虽然这些软件有3D引擎，但它们的主要内容还是实现数据的协同。因此，对于工程设计和产品设计来说，以模型为基础的协同设计效率提升的空间有限。

数字化交互与结构化数据库的应用

主要讨论了协同设计的基础和数字化交互的重要性。以结构化数据作为协同平台，实现了设计工程的属性和数据的系统。同时，强调了模型在工程设计和产品设计过程中的重要性，以及结构化数据库在传递速度和共享速度方面的优势。会议还讨论了在工业领域中，模型可能并非想象中的那么顺利，因为工业领域的很多工作开展并不容易。此外，会议还提到了生态问题，认为在工程应用中，速度和应用性是非常重要的，而不仅仅是模型本身。

Omniverse在图形渲染和处理的优势

主要讨论了omniverse引擎在图形渲染和处理方面的优势，以及基于USD模型的开源生态。同时，也探讨了omniverse在工业领域的应用场景，如数字孪生、元宇宙工厂等。此外，还提到了当前市场对于数字孪生和元宇宙项目的困难，如市场前景好但实际价值难以找到，以及一些场景下的启动慢卡顿出bug等问题。最后，讨论了智能计算引擎在自动驾驶、智能制造和机器人训练等领域的应用，如数字城市、智能驾驶和工业机器人等。

元宇宙孪生平台的应用与挑战

主要讨论了元宇宙产业的发展趋势和挑战。首先，元宇宙产业需要具备显示、算力、边缘计算和区块链等技术。其次，目前做数字孪生的人主要集中在建模这块，但在边缘计算方面相对较弱。再次，随着8K和6G网络的普及，未来显示将实现沉浸式体验。

显卡技术的进步与显示端内容传输问题

主要讨论了显示端的分辨率、颗粒度和传输速率等方面。英伟达在这方面提供了很大的算力和并行算力，以及先进的算法。然而，目前最大的问题是内容如何在屏幕上传输，因为任何模型都需要进行渲染计算才能传输到屏幕上。英伟达在这方面能力不断迭代，使得模型清晰度越来越高。同时，通过插件等方法，可以对模型进行压缩、差值处理等细节处理，以减少计算力。

模型创建与物理属性的赋予问题

这段内容主要讨论了目前设计软件的现状。讲者认为，目前的设计软件在底层能力上仍有提升空间，可以自己创建模型并赋予物理属性。同时，讲者也提到了不同领域的设计软件都有自己的成熟工具，如Revit、UE等，但在实际工作中，仍然依赖于其他平台进行建模，这可能与开发成本和建模效率有关。因此，讲者认为将建模命令式操作改成工具化操作，才能真正实现高质量、高效率的建模。

会议待办