现代仓库依赖复杂的传感器网络来实现安全高效的运营。这些传感器需要检测从包裹、容器到机器人和车辆的所有物体，通常还需要在光照条件不断变化的环境中工作。更重要的是，需要能够高效检测条形码。

某机构机器人识别团队专注于解决这个问题。最初面临一个重大瓶颈：优化传感器布局需要数周或数月的物理原型设计和实际测试，严重限制了探索创新解决方案的能力。

为了改变这一过程，开发了传感器工作台（SWB），这是一个基于某图形处理器厂商Isaac Sim构建的传感器仿真平台，结合了并行处理、基于物理的传感器建模和高保真3D环境。通过提供与现实世界条件高度一致的虚拟测试环境，SWB使得团队能够在原先仅能测试几个物理设置的时间内探索数百种配置。

三项关键创新实现了SWB：专门设计的并行计算架构在GPU上执行仿真任务；定制的CAD到OpenUSD（通用场景描述）流水线；在整个仿真过程中使用OpenUSD作为基准事实。

并行计算架构 并行处理流水线利用某图形处理器厂商的Warp库和自定义计算内核来最大化GPU利用率。通过将3D对象持久保存在GPU内存中，并仅在物体移动时更新变换，消除了冗余数据传输。同时仅在有需要时执行计算——例如当传感器参数改变或物体移动时。通过这些方式实现了实时性能。

该架构允许同时为多个传感器执行复杂计算，在团队调整环境中的传感器位置和参数时，以沉浸式3D视觉效果的形式提供即时反馈。这些视觉效果代表了条形码检测机器学习模型需要工作的指标。

CAD到USD转换 第二项创新是开发了定制的CAD到OpenUSD流水线，可自动将详细的仓库模型转换为优化的3D资源。CAD到USD转换流水线通过1:1映射复制了在建模程序SolidWorks中创建的模型结构和内容。首先从CAD文件中提取基本数据——包括世界变换、网格几何、材质属性和关节信息。完整保留装配体和零件层次结构，使生成的USD阶段精确反映CAD树结构。

为确保模块化和可维护性，将数据组织到覆盖网格、材质、关节和变换的独立USD层中。这种分层方法确保转换后的USD文件忠实保留原始CAD模型的资源结构、几何形状和视觉保真度，实现准确且可扩展的实时可视化、仿真和协作集成。

OpenUSD作为基准事实 第三个重要因素是在整个仿真过程中使用OpenUSD作为基准事实的新方法。开发了超越基本3D资源信息的自定义模式，包含丰富的环境描述和仿真参数。系统实时将所有场景活动——从传感器位置和方向到物体移动和参数变化——直接记录到USD阶段中。甚至将用户界面元素及其状态也保存在USD内，使得能够恢复不仅仿真配置，还包括完整的用户界面状态。

该架构确保当USD初始配置发生变化时，仿真会自动适应而无需修改核心软件。通过保持仿真状态与USD表示之间的实时同步，创建了可靠的真相来源，捕获仿真环境的完整状态，允许用户根据需要精确保存和重新创建仿真配置。界面仅反映世界状态，创建了灵活可维护的系统，能够随着需求演变而发展。

应用场景 使用SWB，团队现在能够快速评估传感器安装位置并在原先所需时间的一小部分内验证整体概念。更重要的是，SWB已成为跨职能协作的强大平台，允许工程师、科学家和运营团队实时协同工作，可视化并调整传感器配置，同时立即看到更改的影响并相互分享结果。

由于在模拟条形码读取场景方面的初步成功，已扩展SWB的能力以纳入高保真光照仿真。这使得团队能够迭代新的挡板和灯光设计，进一步优化可靠条形码检测的条件，同时确保光照条件对人眼安全。团队现在可以同时探索各种光照条件、目标位置和传感器配置，获取通过传统测试方法需要数月才能积累的见解。

未来展望 目前正致力于系统的多项增强功能。当前重点是集成更先进的传感器仿真，将分析模型与来自机器人识别团队的实际测量反馈相结合，进一步提高系统的准确性和实用性。同时探索使用AI为新工作站设计建议最佳传感器布局，可能识别出工具用户可能不会考虑的新颖配置。

此外，计划将系统扩展为综合合成数据生成平台。这将超越仅模拟条形码检测场景，提供用于测试传感器和算法的完整数字环境。该能力将使团队能够使用捕捉真实世界操作中可能遇到的全部条件的多样化自动生成数据集来验证和训练其系统。

通过将先进科学计算与实际工业应用相结合，SWB代表了仓库自动化发展的重大进步。该平台展示了复杂仿真工具如何显著加速复杂工业系统的创新。随着继续通过新功能增强系统，对其进一步改变和设定仓库自动化新标准的潜力感到期待。