SEOTOOLSは、サイトのアクセスアップに必要なSEO対策ツールを無料提供中。まずはSEOアクセス解析ツールをご体験下さい。

[画像1: https://prtimes.jp/i/12662/238/resize/d12662-238-ed6e3bbc5a8adb8e6cc3-0.png ]

周囲の世界を認識および把握することは、自律ロボットの大きな課題です。

ROS World 2021 の開催に伴い、NVIDIA は、ROS 開発者コミュニティに高性能な認識テクノロジを提供するための最新の取り組みを発表しました。この取り組みにより、製品開発の加速および性能の改善が可能になり、最終的には ROS をベースとしたロボティクス アプリケーションに最先端のコンピューター ビジョンと AI/ML 機能を組み込むという課題を簡素化できるようになります。

発表のハイライト:
● 最高性能の Real-Time Stereo Odometry ソリューションを ROS パッケージとして提供
● 現在NGCで提供されている、画像セグメンテーションおよび姿勢推定のサンプルを備えたNVIDIA の推論 DNNを ROSパッケージとして提供
● Isaac Sim の新しい合成データ生成 (Synthetic Data Generation、以下SDG) ワークフローにより、ビジョン AI トレーニング用の大規模な、量産品質のデータセットを作成
● NVIDIA Isaac Sim on Omniverse の ROS への即時対応が可能になり、開発者がこれまでで最も使いやすいバージョンが間もなく一般提供開始

NVIDIA Isaac ROS GEMs：最適化された性能
[画像2: https://prtimes.jp/i/12662/238/resize/d12662-238-56747a195c50b18bf7d3-1.png ]


図 1. NVIDIA Isaac ROS GEM のソフトウェア ブロック図

Isaac ROS GEMs は、画像処理とコンピューター ビジョンを含むパッケージとなっており、そのなかには、NVIDIA GPU と Jetson 向けに高度に最適化された DNN ベースのアルゴリズムも含まれています。

主要な GEM: Stereo Visual Odometry -- クラス最高の精度と最適化された性能
自律マシンが環境内を動き回るときには、自らがどこにいるのかを追跡していなければなりません。Visual Odometry (自己位置認識) は、カメラとスタート地点との相対的な位置関係を推定することで、この課題を解決します。Isaac ROS GEM for Stereo Visual Odometry により、ROS 開発者はこのパワフルな機能を利用することができます。

この GEM は、ステレオカメラによるリアルタイムの自己位置認識ソリューションとして、最高の精度を実現します。広く使用されている KITTI データベースを用いたときの公表結果は、こちら(http://www.cvlibs.net/datasets/kitti/eval_odometry_detail.php?&result=252948fc1b95f8b635cf63df526e4864cb6c0f41)を ご覧ください。精度が非常に高いだけでなく、この GPU アクセラレーテッド パッケージは、きわめて速く動作します。実際、Jetson AGX Xavierで HD 解像度 (1280x720) の SLAM が、リアルタイム (60fps以上) で実行できるようになっています。

主要な GEM: DNN Inference --すべての NGC DNN 推論モデルを ROS 開発者が利用可能に
開発者は、NGC で入手可能な NVIDIA の数多くの推論モデルをすべて利用できるだけでなく、一連の ROS2 パッケージである DNN Inference GEM を使って独自の DNN を利用することもできます。事前にトレーニングされたモデルのさらなる調整、あるいはカスタム モデルの最適化は、NVIDIA TAO Toolkit で行うことができます。

調整後、これらのパッケージは TensorRT、または NVIDIA の推論サーバーである Triton を通じて展開します。NVIDIA の高性能推論 SDK である TensorRT を活用したノードを利用することで、最適な推論性能が得られます。TensorRT が希望する DNN モデルに対応していない場合には、NVIDIA Triton を使ってモデルを展開することができます。

また、この GEM は、U-Net と DOPE にネイティブ対応しています。TensorRT をベースとする、U-Net パッケージを使えば、画像からセマンティック セグメンテーション マスクを生成することができます。また、DOPE パッケージを使えば、検知されたすべての物体の 3D 姿勢推定が可能となります。

このツールにより、ROS アプリケーションに高性能な AI 推論を最速で組み込むことが可能になります。

[画像3: https://prtimes.jp/i/12662/238/resize/d12662-238-2762e5f0b72da52e3471-2.jpg ]

図 2. 3 つの Isaac ROS GEM の合成イメージ -- DNN (PeopleSemSegnet)/AprilTags/Disparity(Depth)

NVIDIA Isaac SIM の一般提供版リリース
2021 年 11 月より入手可能となる、Isaac Sim の一般提供版 (GA) のリリースは、開発者がこれまでで最も利用しやすいリリースとなるでしょう。UI、性能および有益なビルディング ブロックに数々の改良を施した当リリースでは、より良いシミュレーションをこれまでよりもずっと速く構築できるようになります。また、ROSブリッジの改良と、より多くの ROS サンプルで、開発者は ROS 開発をより容易に行えるようになります。

本リリースの新たな特徴 (2021 年 11 月に予定されている 2021.2 リリース)
● 性能の向上、メモリ使用量の削減、および立ち上げ時間の短縮
● Occupancy Map Generation と URDF Importer の改良
● 新しい環境の追加: 大型の倉庫、オフィス、病院
● 新しい Python ビルディング ブロックによる、ロボット、オブジェクト、環境との連携
● ROS/ROS2 Bridge、Depth ポイント クラウド、LiDAR ポイント クラウドの性能向上
● サンプルのアップデート
○ ROS2 でのマルチロボット ナビゲーション
○ Jupyter での Domain Randomization を使った SDG

動画URL: https://www.youtube.com/watch?v=s6mazH8Ce5U
Joint Control of Franka using ROS MoveIT（ROS MoveIT を使った Franka の関節制御）

新しい合成データ生成ワークフロー -- Isaac Sim からのプロダクション データセット
自律動作ロボットには、その認識スタックを実行する多数の AI モデルのトレーニングを行うための、大規模で多様なデータセットが欠かせません。現実世界のシナリオからこのようなトレーニング データをすべて入手しようとすれば、桁外れな費用が必要になりますし、危険がはらんでいるケースもあります。Isaac Sim が提供する新しい合成データ ワークフローは、自律動作ロボットの安全性と品質の問題に対処可能な、量産クオリティのデータセットを構築することを目的としています。

データセットを構築する開発者は、シーン内の物体、シーン自体、光、および合成センサーの確率分布を管理することができます。また、きめ細かい管理によって、まれにしか起こらないものの、きわめて重要な事例もデータセットに含めることができます。そして、このワークフローはバージョン管理とデバッグ情報に対応しているので、監査や安全の目的でデータセットを正確に再現することができます。

[画像4: https://prtimes.jp/i/12662/238/resize/d12662-238-006aacb1733dcbc87ddd-3.png ]

図 3. Isaac Sim のセンサー ライブラリから提供される合成データの例

活用を始める
Isaac ROS の導入に関心のある開発者の方は、こちら(https://developer.nvidia.com/isaac-ros-gems)にて詳細をご覧ください。

ROS World 21 の NVIDIAバーチャル ブースでは、Isaacについてのテクニカル プレゼンテーションをご覧いただけます。

また、11 月 8 日から 11 日まで開催されるNVIDIAのバーチャル カンファレンス、GTCでもNVIDIA Isaacやロボティクス、エッジ コンピューティングに関するセッションを含め、500以上のセッションに無料でご参加いただけます (ご参加登録：https://www.nvidia.com/ja-jp/gtc/?ncid=em-even-559985)。