为什么工业资产需要新的准备层级
很多工业企业已经拥有 CAD 文件、BIM 模型、扫描数据、三维场景和数字孪生可视化。这些资产适合设计评审、远程协作、培训资料和管理层沟通。进入 Physical AI 阶段后，资产还要能参与计算。
一条产线、一个洁净室、一个仓库、一个机器人工作站或一个包装工位，需要携带真实尺度、稳定坐标、对象身份、语义标签、物理假设、行为规则、流程状态，以及与运营数据之间的连接。这些层级一起准备好之后，资产才能进入仿真、机器人训练、合成数据、布局验证、流程演练和 AI Agent 推理。
NVIDIA 将 SimReady 描述为建立在 OpenUSD 之上的仿真就绪三维资产和数字孪生框架。对工业团队来说，它的实际价值在于把资产库从可视化内容推进到可复用的数字对象。
SimReady 资产应该具备什么
在工业场景中，一个 SimReady 资产应从多个层级评估：
| 层级 | 需要准备的内容 |
|---|---|
| 几何与尺度 | 真实尺寸、原点、朝向、单位、细节层级和空间边界 |
| 材质与外观 | 材质、贴图、光照表现、反射、透明度和表面类别 |
| 物理属性 | 碰撞体、质量、摩擦、密度、关节、约束、运动范围和安全间距 |
| 语义信息 | 设备类别、部件角色、功能区域、流程角色、资产 ID 和运营孪生关系 |
| 行为逻辑 | 状态切换、启停规则、故障、恢复、联锁、路径和交互条件 |
| 数据绑定 | PLC 信号、传感器值、告警、工单、MES 上下文、能耗数据和巡检记录 |
| 验证记录 | 来源文件、版本、负责人、假设、质量检查、仿真发现和评审意见 |
这些结构让仿真团队知道对象如何运行，让机器人团队知道数据可以如何使用，也让运营团队能够把结果追溯到真实资产。
行为逻辑为什么重要
物理属性描述对象如何移动、碰撞、旋转、滑动或受力。工业现场还依赖流程规则和业务状态。设备会按照控制逻辑和操作规程启动、等待、停止、报警、恢复、阻塞上游工位或放行物料。
FactVerse Designer 使用行为树和场景逻辑表达这些运营规则。包装设备、输送线、机器人工作站、洁净室区域或公辅设备，都可以携带状态切换、触发条件、流程节拍和交互规则。这让资产能够服务流程仿真、人员培训、机器人协同、安全演练、异常处置和 Physical AI 规划。
最有价值的工业资产，是同时具备属性、行为和约束的数字对象。它可以出现在工厂场景里，参与仿真，为合成数据提供标签，并持续连接运营记录。
DataMesh 工作流
- 收集来源资产 - 汇集 CAD、BIM、三维模型、扫描数据、图纸、设备台账、工艺文件和控制系统上下文。
- 统一场景结构 - 在 FactVerse 中对齐尺度、坐标、层级、命名、对象身份、位置和版本规则。
- 补齐工业语义 - 绑定设备类别、流程角色、功能区域、资产 ID、上下游关系、文档和负责人。
- 准备物理上下文 - 根据仿真目标定义碰撞体、质量、摩擦、关节、运动约束、通行区域、机器人区域和安全边界。
- 编排行为逻辑 - 用 Designer 定义状态切换、作业步骤、联锁、故障、恢复路径、路线规则和场景变体。
- 连接运营数据 - 场景需要 PLC 信号、传感器值、告警、工单、生产状态、能耗上下文或巡检历史时，使用 Data Fusion Services。
- 准备 OpenUSD 路径 - 使用 FactVerse Adaptor for NVIDIA Omniverse，把场景结构、元数据、行为上下文和资产准备结果带入 OpenUSD 与 Omniverse 工作流。
- 验证并治理 - 在加入可复用资产库前，评审渲染、物理、行为、标签、场景覆盖和下游仿真结果。
这个流程把一次性建模项目转化为资产体系。每个对象都有清晰负责人、数据来源、质量状态和复用路径。
SimReady 资产库能带来什么
对大型工业企业来说，长期价值来自可复用的运营对象库：
- 包装设备：包含节拍、状态、上下游关系、故障逻辑、物理边界和流程行为。
- 机器人工作站：包含作业范围、安全区、传感器布局、抓取目标、任务序列和协同规则。
- 输送与物流资产：包含方向、速度、阻塞规则、交接逻辑、路线状态和数据绑定。
- 洁净室与受控环境：包含设备布局、访问路径、气流约束、维护路线、能耗上下文和风险规则。
- 仓储区域：包含货架、通道、托盘、暂存区、移动设备路径和物流流程状态。
当资产完成标准化、对象化、行为化和物理化，团队就可以在产线规划、工厂改造、人员培训、机器人导入、异常演练、能耗分析和 AI 训练中持续复用。
在 Physical AI 和世界模型中的作用
Physical AI 系统需要高质量的数字世界。这个世界需要空间、对象、语义、物理、行为、流程状态和数据。SimReady 资产就是构建这类环境的可复用生产资料。
对机器人来说，训练和验证质量会直接受到资产质量影响。机器人可以使用视觉数据训练，但工业任务还经常需要温度、压力、震动、设备状态、工单状态、安全区域和流程约束等不可见上下文。FactVerse 可以把这些上下文带入数字孪生，Omniverse、PhysX、Newton 及相关仿真工作流可以支持渲染、物理、传感器仿真和机器人评估。
因此，SimReady 资产准备是合成数据生成、机器人任务演练、工厂布局规划、流程验证和 AI Agent 工作流的基础。
典型应用场景
- 产线与包装流程验证：在实体改造前测试设备布局、物料交接、人员通行、机器人交互和流程节拍。
- 合成数据生成：从带有语义和物理上下文的资产中生成 RGB、深度、分割、位姿、轨迹和场景状态数据。
- 机器人仿真：为下游仿真环境准备工作站、移动路线、安全区域、操作目标和流程规则。
- 工厂与仓储规划：比较产线布局、物流路线、缓冲区、仓储布局和物料流假设。
- 人员培训与异常演练：利用带行为逻辑的资产演练开机、停机、故障响应、维护步骤和安全流程。
- 设施与能源分析：连接资产、区域、仪表和运营状态，让设施团队在更清晰的来源上下文中评估场景。
治理检查清单
- 记录来源文件、负责人、授权方式和版本历史。
- 校验单位、尺度、坐标、原点和朝向。
- 确认资产身份与运营数字孪生和企业资产台账一致。
- 语义标签遵循设备、区域、部件和流程角色的受控词表。
- 物理假设与对应的仿真目标一起记录。
- 行为逻辑包含命名状态、触发条件、节拍、故障和恢复路径。
- 数据绑定包含来源系统、单位、时间戳、刷新规则和质量状态。
- 仿真结果可以追溯到资产版本、场景版本、假设和评审人。
资产评审应按照工程制品管理。一个有价值的 SimReady 资产库，需要质量门禁、负责人、版本机制和持续改进路径。
公开参考
NVIDIA 的 SimReady overview、SimReady specification 和 SimReady FAQ 提供了基于 OpenUSD 构建仿真就绪资产的公开技术背景。
NVIDIA 的 Omniverse 页面 将 Omniverse 描述为面向工业数字孪生和 Physical AI 仿真应用的 libraries 与 microservices。
FactVerse 与 NVIDIA Omniverse 公告和 GTC 2025 展示 体现了 DataMesh 在仿真数字孪生、OpenUSD 工作流和 Physical AI 准备方向上的公开进展。