A NVIDIA apresentou uma série de protótipos em que agentes de IA, orientados por linguagem natural, ajudam a criar ativos 3D, montar cenas, configurar simulações e investigar gargalos de desempenho. Os resultados são experimentais e não substituem validação em sistemas físicos.
A NVIDIA apresentou projetos experimentais em que agentes de IA ajudam desenvolvedores a transformar ideias de simulação em aplicações funcionais. Os exemplos cobrem criação de ativos 3D, robótica, automação industrial, veículos autônomos e visualização de dados.
Segundo a empresa, os desenvolvedores conduzem os agentes por instruções em linguagem natural, revisam os resultados e orientam correções. As bibliotecas do Omniverse fornecem recursos para física, renderização, sensores, atualização de cenas e transmissão para navegadores.
Da criação de ativos à montagem de cenas
Em um experimento, agentes foram usados para recriar um sintetizador OP-1 a partir de imagens, manuais e orientação técnica. O modelo passou por OpenUSD, Houdini e Blender, enquanto materiais e texturas foram refinados para renderização.
Outro fluxo converteu modelos CAD de um robô YuMi, configurando juntas, colisões e propriedades necessárias para testes no Isaac Sim. Os braços e garras completaram ciclos simulados de pegar e mover cubos, mas a NVIDIA ressalta que as propriedades físicas estimadas não foram calibradas com o robô real.
A empresa também descreveu a reconstrução de edifícios a partir de fotografias panorâmicas e nuvens de pontos. A meta é produzir ambientes editáveis para avaliar layouts de armazéns, prateleiras e máquinas antes de alterações físicas.
Robótica, indústria e veículos autônomos
Nos testes de desmontagem, um agente ajudou a modelar uma suspensão automotiva e a revisar uma ferramenta para alcançar seus parafusos. Em simulação, o sistema removeu um componente da suspensão, enquanto a integração entre CAD e simulação foi associada ao Onshape.
Para um cenário de turbina a gás, a NVIDIA criou uma aplicação de análise de hipóteses. Usuários podem variar carga, temperatura ambiente e composição do combustível e observar efeitos simulados sobre potência, eficiência, consumo e resposta do equipamento.
Também foram apresentados testes de controle robótico para roteamento de cabos flexíveis, com aprendizado por reforço, feedback de posição e orientação e correções para inserção de conectores USB-C. A empresa indica que os próximos passos incluem testar sensores e condições de preensão mais próximas das físicas.
Em veículos autônomos, outro protótipo conectou criação de ativos, tráfego, sensores RTX e o sistema de condução Alpamayo em uma cena baseada na Market Street, em San Francisco. A proposta é avaliar como mudanças em cenários, sensores ou modelos alteram o comportamento do sistema.
Escala, validação e limites dos protótipos
Um teste de armazém atingiu 30 quadros por segundo em resolução Full HD durante dois minutos com 80 esteiras, 40 braços e 800 caixas. Nesse cenário, os braços realizaram 640 posicionamentos bem-sucedidos; ao dobrar novamente a complexidade, o gargalo apareceu no fluxo de física e controle robótico.
A NVIDIA relatou ainda comparações entre imagens de câmeras, dados LiDAR simulados e gravações reais para orientar a melhoria de gêmeos digitais. Os agentes mediram diferenças e alteraram geometria, materiais e objetos, mas a qualidade depende das métricas escolhidas e dos dados de referência.
Em um experimento chamado Robo Olympics, um humanoide Unitree G1 superou um obstáculo em 64 de 100 tentativas simuladas. O resultado serve como feedback para controle e temporização, mas não equivale a uma taxa de sucesso comprovada em ambiente físico.
Os casos indicam que agentes podem reduzir trabalho repetitivo na preparação de simulações, especialmente quando os ativos permanecem editáveis e os desenvolvedores mantêm revisão humana. Ainda assim, a evidência apresentada é majoritariamente composta por demonstrações da própria NVIDIA, e não há, no material fornecido, comparação independente de produtividade ou confiabilidade.
A principal incerteza está na transferência dos resultados para o mundo real. Diferenças de atrito, sensores, materiais, controle e comportamento físico podem alterar o desempenho; por isso, os protótipos devem ser tratados como ferramentas de exploração e desenvolvimento, não como validação final de sistemas críticos.
Fonte original: NVIDIA: Into the Omniverse: How Developers Turn Ideas Into Simulations With Frontier AI Agents.
Receba o Jornal da IA todos os dias
As notícias de inteligência artificial que importam no Brasil, com o nosso prisma e sempre com as fontes. Grátis.



