ஓம்னிவர்ஸ் நூலகங்கள்: தற்போதுள்ள பயன்பாடுகளுக்கான இயற்பியல் AI ஒருங்கிணைப்பு

NVIDIA Omniverse நூலகங்கள் அறிமுகம்: இயற்பியல் AI ஒருங்கிணைப்பை மேம்படுத்துதல்

GTC 2026 இல், NVIDIA தனது Omniverse தளத்திற்கான ஒரு குறிப்பிடத்தக்க பரிணாம வளர்ச்சியை அறிவித்தது, இது தற்போதுள்ள பயன்பாடுகளில் மேம்பட்ட இயற்பியல் AI திறன்களை தடையின்றி ஒருங்கிணைக்க வடிவமைக்கப்பட்ட ஒரு மாடுலர், நூலக அடிப்படையிலான கட்டமைப்பை அறிமுகப்படுத்தியது. இந்த முன்மாதிரி மாற்றம் தொழில்துறை மற்றும் ரோபோடிக்ஸ் வளர்ச்சியில் ஒரு முக்கியமான தேவையைப் பூர்த்தி செய்கிறது, அங்கு மோனோலித்திக் ரன்டைம்கள் பெரும்பாலும் அளவிடுதல், ஹெட்லெஸ் வரிசைப்படுத்துதல் மற்றும் நிறுவப்பட்ட CI/CD அமைப்புகளுடன் ஒருங்கிணைப்பதைத் தடுக்கின்றன. முக்கிய Omniverse கூறுகள்—RTX ரெண்டரிங், PhysX அடிப்படையிலான உருவகப்படுத்துதல் மற்றும் தரவு சேமிப்பக குழாய்கள்—C++ மற்றும் பைதான் பைண்டிங்ஸுடன் தனிப்பட்ட C APIகளாக வெளிப்படுத்துவதன் மூலம், NVIDIA ஆனது டெவலப்பர்கள் ஒரு முழுமையான கட்டடக்கலை மாற்றமின்றியே சக்திவாய்ந்த நிகழ்நேர டிஜிட்டல் இரட்டையர் மற்றும் இயற்பியல் AI செயல்பாடுகளை உட்பொதிக்க உதவுகிறது. இந்த மாடுலாரிட்டி உயர்-நம்பகமான உருவகப்படுத்துதலுக்கான அணுகலை ஜனநாயகப்படுத்துகிறது, இயற்பியல் AI ஐ பரந்த அளவிலான நிறுவனங்களுக்கு அடையக்கூடிய யதார்த்தமாக மாற்றுகிறது.

இயற்பியல் AI, அதாவது உடல் ரீதியாக அடிப்படையிலான உருவகப்படுத்தப்பட்ட சூழல்களில் உணர்ந்து, பகுப்பாய்வு செய்து, செயல்படும் AI அமைப்புகளாக வரையறுக்கப்படுகிறது, இது தொழில்துறைகள் சிக்கலான அமைப்புகளை வடிவமைத்து சரிபார்க்கும் விதத்தை விரைவாக மாற்றியமைக்கிறது. ரோபோடிக் கை அசைவுகள் முதல் முழு தொழிற்சாலை அமைப்புகள் வரை, டிஜிட்டல் இரட்டையர் சூழலில் AI கொள்கைகளை பயிற்சி செய்தல் மற்றும் சரிபார்த்தல் செலவுகளை வியத்தகு முறையில் குறைக்கிறது மற்றும் மேம்பாட்டு சுழற்சிகளை துரிதப்படுத்துகிறது. 'ovrtx', 'ovphysx' மற்றும் 'ovstorage' உள்ளிட்ட புதிய Omniverse நூலகங்கள், இந்த மாற்றத்தின் மூலக்கல்லாக அமையவுள்ளன, இது வணிகங்கள் தங்கள் தனியுரிம மென்பொருளில் NVIDIA இன் அதிநவீன உருவகப்படுத்துதல் தொழில்நுட்பத்தை உட்புகுத்த அனுமதிக்கிறது.

தடையற்ற இயற்பியல் AI ஒருங்கிணைப்புக்கான மாடுலர் கட்டமைப்பு

நூலக-முதல் கட்டமைப்பின் அறிமுகம், டெவலப்பர்கள் NVIDIA Omniverse சுற்றுச்சூழல் அமைப்புடன் தொடர்பு கொள்ளும் விதத்தை அடிப்படையில் மாற்றுகிறது. ஒரு விரிவான பயன்பாட்டுக் கட்டமைப்பை ஏற்றுக்கொள்வதற்குப் பதிலாக, குழுக்கள் இப்போது Omniverse ரெண்டரிங், இயற்பியல் மற்றும் சேமிப்பக APIகளை தங்கள் சொந்த செயல்முறைகள் மற்றும் சேவைகளிலிருந்து நேரடியாக அழைக்கலாம். இந்த அணுகுமுறை கட்டமைப்பு பூட்டுதல், UI சார்புகள் மற்றும் பெரிய அளவிலான மென்பொருள் தத்தெடுப்புகளுடன் வரும் கட்டடக்கலை விறைப்புத்தன்மை தொடர்பான சவால்களை நீக்குகிறது.

இந்த மாடுலர் வடிவமைப்பு ஏற்கனவே நிறுவப்பட்ட மென்பொருள் அடுக்குகளைக் கொண்ட டெவலப்பர்களுக்கு குறிப்பாக நன்மை பயக்கும், இது Omniverse இன் சக்திவாய்ந்த திறன்களை சீர்குலைக்கும் கட்டடக்கலை மாற்றங்கள் இல்லாமல் பயன்படுத்த அனுமதிக்கிறது. இந்த நூலகங்கள் ஹெட்லெஸ்-முதல் வரிசைப்படுத்தலுக்காக வடிவமைக்கப்பட்டுள்ளன, இது கோரும் தொழில்துறை மற்றும் ரோபோடிக்ஸ் பயன்பாடுகளுக்கு உகந்த செயல்திறன் மற்றும் அளவிடுதலை உறுதி செய்கிறது. NVIDIA இன் இந்த மூலோபாய நகர்வு நெகிழ்வுத்தன்மை மற்றும் டெவலப்பர்-மைய தீர்வுகளுக்கான உறுதிப்பாட்டை அடிக்கோடிட்டுக் காட்டுகிறது, இது Omniverse ஐ AI இன் எதிர்காலத்திற்கான ஒரு மாற்றத்தக்க கருவித்தொகுப்பாக நிலைநடுத்துகிறது.

முக்கிய Omniverse நூலகங்கள்: ovrtx, ovphysx, மற்றும் ovstorage

புதிதாக அறிவிக்கப்பட்ட நூலகங்கள் தனித்துவமான ஆனால் ஒன்றோடொன்று இணைக்கப்பட்ட திறன்களை வழங்குகின்றன, ஒவ்வொன்றும் தொழில்துறை மென்பொருள் மேம்பாட்டில் குறிப்பிட்ட ஒருங்கிணைப்பு சவால்களைத் தீர்க்க வடிவமைக்கப்பட்டுள்ளன. அவை காட்சி விளக்கத்திற்கு OpenUSD மற்றும் உயர்தர உருவகப்படுத்துதல் சூழல்களுக்கு SimReady சொத்துக்கள் போன்ற ஏற்கனவே உள்ள Omniverse கூறுகளைப் பயன்படுத்துகின்றன, இது ஒரு ஒத்திசைவான மற்றும் சக்திவாய்ந்த மேம்பாட்டு அனுபவத்தை உறுதி செய்கிறது.

நூலகம்	முக்கிய திறன்கள்	பொறியியல் தாக்கம்
ovrtx	உயர்-நம்பகமான, உயர்-செயல்திறன் கொண்ட நிகழ்நேர பாதை-கண்டறிதல் மற்றும் சென்சார் உருவகப்படுத்துதல்	அதிநவீன RTX ரெண்டரிங்கை நேரடியாக தற்போதுள்ள பயன்பாடுகளில் ஒருங்கிணைக்கிறது, இது பல மாதிரி ரோபோடிக்ஸ் புலன் உணர்வு, மேம்பட்ட செயற்கை தரவு உருவாக்கம் மற்றும் டிஜிட்டல் இரட்டையர்கள் மற்றும் உருவகப்படுத்தப்பட்ட சூழல்களுக்கான மிகவும் யதார்த்தமான காட்சி கருத்துக்களை செயல்படுத்துகிறது.
ovphysx	உயர்-வேக, USD-சொந்த இயற்பியல் உருவகப்படுத்துதல்	பயன்பாடுகளுக்கு இலகுரக, வன்பொருள்-துரிதப்படுத்தப்பட்ட இயற்பியல் உருவகப்படுத்துதலைச் சேர்க்கிறது, இது ரோபோடிக்ஸ் பயிற்சிக்கு உயர்-வேக தரவு பரிமாற்றம், நிகழ்நேர கட்டுப்பாட்டு-சுழற்சி ஒருங்கிணைப்பு மற்றும் சிக்கலான தொழில்துறை சூழ்நிலைகளில் துல்லியமான இயற்பியல் தொடர்புகளை எளிதாக்குகிறது.
ovstorage	ஒருங்கிணைந்த இயற்பியல் AI தரவு குழாய்கள்	ஏற்கனவே உள்ள சேமிப்பகம் மற்றும் PLM/PDM உள்கட்டமைப்பை ஒரு API-உந்துதல் நூலகம் வழியாக Omniverse சுற்றுச்சூழல் அமைப்புடன் நேரடியாக இணைக்கிறது. இது பெரிய அளவிலான விநியோகிக்கப்பட்ட தரவு மேலாண்மை மற்றும் உயர் செயல்திறனை செயல்படுத்துகிறது, இது நிறுவன அளவிலான வரிசைப்படுத்தல்களுக்கான விலையுயர்ந்த மற்றும் நேரத்தை எடுத்துக்கொள்ளும் கையேடு தரவு இடம்பெயர்வுகளைத் தவிர்க்கிறது.

இந்த நூலகங்கள் தற்போது GitHub மற்றும் NGC இல் ஆரம்ப அணுகலில் உள்ளன, NVIDIA செயலில் கருத்துக்களை சேகரித்து இந்த ஆண்டு பிற்பகுதியில் API நிலைத்தன்மையுடன் ஒரு உற்பத்தி வெளியீட்டை திட்டமிட்டுள்ளது. NVIDIA Isaac Lab மற்றும் Omniverse DSX Blueprint போன்ற உயர்-செயல்திறன் அடுக்குகளில் உள் சோதனை, பொதுவான கிடைக்கும் தன்மைக்கு முன் அவை கடுமையான நிறுவனத் தேவைகளைப் பூர்த்தி செய்கின்றன என்பதை உறுதி செய்கிறது.

மாடல் சூழல் நெறிமுறை (MCP) மூலம் ஏஜென்டிக் ஒருங்கிணைப்பு

இந்த நூலகங்களின் பயன்பாட்டை, குறிப்பாக AI ஏஜென்ட்களின் வளர்ந்து வரும் துறையில் மேலும் மேம்படுத்த, Omniverse ஆனது மாடல் சூழல் நெறிமுறை (MCP) சர்வர்கள் மூலம் ஏஜென்டிக் ஒருங்கிணைப்பிற்கான திறன்களை அறிமுகப்படுத்துகிறது. இந்த சர்வர்கள் LLM அடிப்படையிலான ஏஜென்ட்களிலிருந்து உருவகப்படுத்துதலைப் பயன்படுத்தக்கூடியதாக மாற்ற வடிவமைக்கப்பட்டுள்ளன, USD காட்சிகளை ஏற்றுதல், பிரிம்களைத் திருத்துதல் அல்லது உருவகப்படுத்துதல்கள் மூலம் செயல்படுதல் போன்ற செயல்பாடுகளை இயந்திரம் படிக்கக்கூடிய திட்டத்தில் விவரிக்கின்றன. இது மேம்பட்ட LLMகள் போன்ற AI கருவிகளை Omniverse செயல்பாடுகளை பாதுகாப்பாகவும் திறம்படவும் அழைக்க அனுமதிக்கிறது.

Kit USD ஏஜென்ட்கள், எடுத்துக்காட்டாக, Kit, USD மற்றும் OmniUI க்கான MCP சர்வர்களின் ஒரு தொகுப்பாகும், இது ஏஜென்ட்களை APIகளை உலாவவும், காட்சி குறியீட்டை உருவாக்கவும் மற்றும் உயர்-நிலை உரை விளக்கங்களின் அடிப்படையில் UI கூறுகள் அல்லது அடுக்கு வரிசைமுறைகளை கையாளவும் உதவுகிறது. இது டெவலப்பர்களை அதிநவீன ஏஜென்ட் நடத்தைகள் மற்றும் பாதுகாப்பு வளையங்களை வரையறுக்க அதிகாரம் அளிக்கிறது, ஒவ்வொரு உருவகப்படுத்துதல் API அழைப்பையும் கையால் இணைக்கும் சிக்கலை நீக்குகிறது. இந்த மேம்பட்ட பணிப்பாய்வுகளை அளவிடுவதற்கு, டெவலப்பர்கள் NemoClaw ஐப் பயன்படுத்தலாம், இது தனிமைப்படுத்தப்பட்ட, கொள்கை-பாதுகாக்கப்பட்ட சாண்ட்பாக்ஸ்களுக்குள் பாதுகாப்பான, தன்னாட்சி முகவர்களை வரிசைப்படுத்தும் OpenClaw சமூகத்திற்கான ஒரு உள்கட்டமைப்பு அடுக்காகும். இந்த வளர்ச்சி மேலும் தன்னாட்சி மற்றும் அறிவார்ந்த உருவகப்படுத்துதல் சூழல்களுக்கான வழியை வகுக்கிறது, சிக்கலான இயற்பியல் AI அமைப்புகளின் வளர்ச்சியை விரைவுபடுத்துகிறது மற்றும் சக்திவாய்ந்த evaluating-ai-agents-for-production-a-practical-guide-to-strands-evals ஐ ஆதரிக்கிறது.

MCP சர்வர்களுக்கான Docker உடன் விரைவான தொடக்கம் வரிசைப்படுத்தலை எளிதாக்குகிறது, டெவலப்பர்கள் NVIDIA இன் கிளவுட்-ஹோஸ்ட் செய்யப்பட்ட உட்பொதிப்பு மற்றும் மறுவரிசை சேவைக்களை உள்ளூர் GPUக்கள் இல்லாமல் பயன்படுத்த அனுமதிக்கிறது, இதற்கு ஒரு NVIDIA API விசை மட்டுமே தேவைப்படுகிறது.

வழக்கு ஆய்வு: மாடுலர் நூலகங்களுடன் NVIDIA Isaac Lab ஐ மேம்படுத்துதல்

இந்த மாடுலர் அணுகுமுறையின் நடைமுறை நன்மைகள் NVIDIA Isaac Lab இன் தொடர்ச்சியான பொறியியல் பரிணாம வளர்ச்சியால் தெளிவாக நிரூபிக்கப்பட்டுள்ளன. வலுவூட்டல் கற்றலுக்கு (RL) முக்கியமான ஒரு உயர்-செயல்திறன் கொண்ட ரோபோடிக்ஸ் உருவகப்படுத்துதல் கட்டமைப்பு என்பதால், Isaac Lab தீவிர அளவிடுதல் மற்றும் உறுதியான கட்டுப்பாட்டைக் கோருகிறது.

Isaac Lab 3.0 பீட்டாவுடன், NVIDIA தனது அடிப்படை அடுக்கை பாரம்பரிய மோனோலித்திக் Kit கட்டமைப்பிலிருந்து ஒரு பல-பின்தள மாடுலர் கட்டமைப்பிற்கு வெற்றிகரமாக மாற்றியுள்ளது. இது டெவலப்பர்கள் தங்கள் குறிப்பிட்ட உருவகப்படுத்துதல் தேவைகளைப் பொறுத்து 'ovphysx'—PhysX SDK ஐ உள்ளடக்கிய ஒரு தனிப்பட்ட நூலகம்—அல்லது MuJoCo-Warp ஆல் இயக்கப்படும் ஒரு Kit-less Newton பின்தளத்திற்கு இடையே தேர்வு செய்ய உதவுகிறது. அதேபோல், ரெண்டரிங் பக்கத்தில் இப்போது OVRTX, Isaac RTX, Newton Warp மற்றும் Rerun மற்றும் Viser போன்ற இலகுரக காட்சிப்படுத்திகளை ஆதரிக்கும் ஒரு பிளக்கபிள் அமைப்பு உள்ளது. இந்த நெகிழ்வுத்தன்மை Isaac Lab ஆனது ரோபோடிக்ஸ் ஆராய்ச்சியாளர்கள் மற்றும் பொறியியலாளர்களின் கோரும் தேவைகளைப் பூர்த்தி செய்கிறது என்பதை உறுதி செய்கிறது, இது வெளிப்படையான செயல்பாட்டுக் கட்டுப்பாடு, உறுதியான உருவகப்படுத்துதல் மற்றும் அதிநவீன AI வளர்ச்சிக்கான உயர்-அடர்த்தி, ஹெட்லெஸ் இயற்பியல் திறன்களை வழங்குகிறது. வலுவான accelerate-token-production-in-ai-factories-using-unified-services-and-real-time-ai ஐ உருவாக்குவதற்கு இந்த அளவிலான கட்டுப்பாடு அவசியம்.

இயற்பியல் AI ஒருங்கிணைப்பின் எதிர்காலம்

NVIDIA Omniverse நூலகங்களின் வெளியீடு தொழில்துறை மற்றும் ரோபோடிக்ஸ் நிறுவனங்களுக்கு ஒரு முக்கிய தருணத்தைக் குறிக்கிறது. இயற்பியல் AI திறன்களை ஒருங்கிணைக்க ஒரு துல்லியமான, உயர்-செயல்திறன் கொண்ட பாதையை வழங்குவதன் மூலம், NVIDIA நிறுவனங்கள் தங்கள் டிஜிட்டல் மாற்றப் பயணத்தை விரைவுபடுத்த உதவுகிறது. ABB Robotics, PTC, Siemens, மற்றும் Synopsys போன்ற தொழில்துறை தலைவர்கள் ஏற்கனவே இந்த நூலகங்களைப் பயன்படுத்தி, மேம்பட்ட உருவகப்படுத்துதல் மற்றும் டிஜிட்டல் இரட்டையர் உருவாக்கத்தை தங்கள் ஏற்கனவே உள்ள PLM/PDM மற்றும் CI/CD அமைப்புகளில் ஒருங்கிணைக்கின்றனர். இந்த பரவலான தத்தெடுப்பு, இயற்பியல் AI ஒரு விருப்பமாக இல்லாமல், அடையக்கூடிய, ஒருங்கிணைக்கப்பட்ட யதார்த்தமாக இருக்கும், மேலும் நெகிழ்வான, அளவிடக்கூடிய மற்றும் அறிவார்ந்த மேம்பாட்டு பணிப்பாய்வுகளை நோக்கிய தெளிவான போக்கைக் குறிக்கிறது. இந்த நூலகங்கள் பொதுவான கிடைக்கும் தன்மையை நோக்கி நகரும்போது, வடிவமைப்பு, பொறியியல் மற்றும் உற்பத்தி முழுவதும் முன்னோடியில்லாத அளவிலான புதுமைகளைத் திறக்கும் என்று உறுதியளிக்கின்றன.

அசல் மூலம்

https://developer.nvidia.com/blog/integrate-physical-ai-capabilities-into-existing-apps-with-nvidia-omniverse-libraries/

அடிக்கடி கேட்கப்படும் கேள்விகள்

What are NVIDIA Omniverse libraries and what problem do they solve for developers?

NVIDIA Omniverse libraries represent a new, modular architecture that exposes core Omniverse components like RTX rendering (ovrtx), PhysX-based simulation (ovphysx), and data storage pipelines (ovstorage) as standalone C APIs with C++ and Python bindings. This approach allows developers to integrate specific, high-fidelity physical AI capabilities directly into their existing industrial and robotics software stacks without the need to adopt the entire Omniverse platform. This solves the challenge of monolithic runtimes, enabling better scalability, headless deployment, and seamless integration with existing CI/CD systems and application frameworks, significantly reducing the need for extensive architectural rewrites.

How do 'ovrtx', 'ovphysx', and 'ovstorage' enhance existing applications with physical AI capabilities?

The trio of 'ovrtx', 'ovphysx', and 'ovstorage' offers distinct yet complementary functionalities for physical AI integration. 'ovrtx' provides high-fidelity, real-time path-traced rendering and sensor simulation, crucial for multimodal robotics perception and synthetic data generation. 'ovphysx' delivers high-speed, USD-native physics simulation, essential for robotics training and real-time control loops. 'ovstorage' establishes unified physical AI data pipelines, allowing seamless connection of existing PLM/PDM infrastructure to Omniverse, facilitating large-scale distributed data management and avoiding costly manual data migrations. Together, these libraries enable granular, performant integration of advanced simulation and data management.

What is the Model Context Protocol (MCP) and how does it facilitate agentic orchestration within Omniverse?

The Model Context Protocol (MCP) is a crucial mechanism within Omniverse that enables LLM-based agents to interact with and orchestrate physical AI simulations. MCP servers describe operations (e.g., loading USD scenes, editing prims, stepping simulation) in a machine-readable schema. This allows intelligent agents, powered by large language models, to browse available APIs, generate scene code, and manipulate simulation elements based on high-level descriptions. By handling the low-level remote procedure calls (RPCs) to Omniverse, MCP empowers developers to focus on defining sophisticated agent behaviors and guardrails, significantly scaling and automating complex simulation workflows for physical AI.

How has NVIDIA Isaac Lab benefited from the transition to a modular, library-based architecture?

NVIDIA Isaac Lab, a high-performance robotics simulation framework for reinforcement learning, has significantly benefited from transitioning to a modular architecture powered by ovphysx and ovrtx in its 3.0 Beta release. This shift enables explicit execution control, deterministic simulation, and the ability to run high-density, headless physics without reliance on UI dependencies. Developers now have the flexibility to choose between 'ovphysx' or a Kit-less Newton backend based on their simulation needs and can leverage a pluggable renderer system that supports OVRTX, Isaac RTX, and other visualizers. This modularity ensures Isaac Lab meets the extreme scalability and deterministic control requirements for advanced robotics training.

Which major industrial companies are currently piloting NVIDIA Omniverse libraries and for what purposes?

Leading industrial companies such as ABB Robotics, PTC, Siemens, and Synopsys are currently piloting NVIDIA Omniverse libraries. These companies are leveraging the modular architecture to integrate high-fidelity simulation, create advanced digital twins, and enable scalable physical AI capabilities directly within their existing design, engineering, and manufacturing workflows. This allows them to validate robot designs, optimize industrial systems, and enhance product lifecycle management (PLM/PDM) and continuous integration/continuous deployment (CI/CD) systems, all before physical prototypes are ever built, signaling a significant shift towards AI-driven industrial transformation.

What are the immediate benefits of using Omniverse libraries compared to the full Omniverse container stack for existing applications?

The immediate benefits of using Omniverse libraries over the full container stack for existing applications include significantly reduced architectural friction and faster integration. Developers can selectively embed specific Omniverse capabilities—like advanced rendering or physics simulation—into their current software without undergoing major overhauls. This approach allows for headless deployment, better scalability of simulations, and direct tensorized data exchange. It addresses previous bottlenecks such as framework lock-in, UI dependencies, and architectural rigidity, offering a streamlined path to leveraging NVIDIA's powerful physical AI technologies within established industrial and robotics ecosystems.

புதுப்பிப்புகளைப் பெறுங்கள்

சமீபத்திய AI செய்திகளை மின்னஞ்சலில் பெறுங்கள்.

பகிர்