這篇是參加 NVIDIA 的 Building Digital Twins for Physical AI With NVIDIA Omniverse 工作坊後整理的筆記，重點放在 Omniverse 專案怎麼組織資料夾、OpenUSD 解決了什麼問題，以及實際搭建工廠數位孿生時要注意的細節。
NVIDIA Omniverse 是什麼？
NVIDIA Omniverse 是建立在 OpenUSD 之上的開發平台，目的是把實體世界的資料和應用程式整合在同一個環境裡。它本身是一組 API 與 SDK 的集合，讓開發者能打造用於複雜 3D 工作流程、工業數位化的應用——這次工作坊操作的方向正是這個。想直接下載相關工具，可以到 NVIDIA Omniverse 開發者頁面找對應套件。
OpenUSD 在數位孿生裡扮演什麼角色？
OpenUSD（Universal Scene Description）是 Pixar 動畫工作室開發的開放 3D 場景描述格式，最初是為了讓不同軟體工具之間能交換資產、簡化內容製作流程。隨著工業數位化需求增加，OpenUSD 逐漸變成產業互通的核心標準之一，而不只是動畫產業內部的格式。
對開發團隊來說，採用 OpenUSD 帶來幾個實際好處：
- 統一且可擴充的開放架構，方便不同工具與流程串接
- 非破壞性編輯，原始資產不會被覆寫
- 不綁定特定檔案系統，可跨平台搬移
- 支援自訂渲染與模組化工作流程
- 能撐住大型、多團隊協作的虛擬世界專案
Omniverse 專案的資料夾應該怎麼規劃？
Omniverse 的專案結構會直接影響後續資產能不能正確被組合與參照，一旦專案跑起來後才調整資料夾，很容易造成參照失效。實務上會先按用途分成幾層：
Library（資料庫） 存放具唯一性、可重複使用的資產，也叫「目錄資產」。當這些資產被放進數位孿生並指派唯一 ID 後，才升級成「庫存資產」。Library 底下再細分：
| 子資料夾 | 存放內容 |
|---|---|
| Materials | 專案使用的所有材質檔案 |
| Assets | 機械設備、機器人等實體資產，對應 OpenUSD 裡具名稱、版本、可組合的資產容器 |
| Entourage | HDRI 背景圖、道具幾何等輔助資源，不是真實物件的孿生，但能提升場景真實感 |
Factory（工廠） 放工廠建築本體、照明設計，以及其他跟廠房相關的幾何與資料。
Assemblies（組合） 把多個資產群組成一個組合，方便獨立開發與管理。建議做法是每個組合檔案依製程分開存放（例如 SMT 一個檔案、ICT 另一個檔案），並設定正確的座標與方向，避免場景越大越難維護。
ProdLines（生產線） 存放實際的生產線組合，特別是機台配置。每台機器裝進產線後要指派唯一 ID；如果有多條相同類型的產線，也要分別命名。每條產線以座標 (0, 0) 為起點，沿 x 正方向往後排列流程。
World File（世界場景檔） 是整個專案的核心舞台，用來把上面所有資源整合在一起。
為什麼要先規劃好資料夾結構再開始建置？
因為 Omniverse 的資產是透過參照（reference）方式組合進場景的，資料夾一旦搬動或改名，原本指向這些路徑的參照就會斷掉，輕則貼圖遺失，重則整條產線的組合關係跑掉。與其事後修參照，不如在專案啟動前先把 Library、Factory、Assemblies、ProdLines、World File 的層級定下來。
Viewport 該怎麼調整才看得清楚場景？
工作坊裡實際操作時，有兩個 viewport 設定值得先調整：
- 切換即時渲染模式：視窗上方預設是「RTX - Real Time」，改選「RTX - Real-Time 2.0 (Preview)」，場景會更明亮、細節也更清楚。
- 隱藏干擾元素：透過 `Show > Show by Type`，取消勾選 Cameras、Lights 等項目，讓畫面只保留真正要檢視的模型，方便對照資產擺放是否正確。
常見問題
Omniverse 一定要搭配 OpenUSD 才能用嗎？
Omniverse 的核心工作流程就是建立在 OpenUSD 之上，資產組合、參照、非破壞性編輯這些特性都依賴 OpenUSD 的場景描述機制，因此實務上兩者是綁在一起使用的。
數位孿生跟一般 3D 模型有什麼差別？
數位孿生強調的是資產與唯一 ID 的對應關係——每台機器、每條產線都要能追溯回實體世界的具體設備，而不只是視覺上相似的 3D 模型。這也是為什麼 Library 資產要先被放進場景、指派 ID 後才算「庫存資產」。
這套資料夾結構適合小型專案嗎？
即使是小型專案，先把 Library、Assemblies、ProdLines 分開規劃，仍然能避免後續資產搬動導致參照失效。專案規模變大時，這套結構能少走很多重工的路。
參考資料
- NVIDIA, GTC Workshops and Training, https://www.nvidia.com/en-tw/gtc/workshops-and-training，存取日期：2026-08-27。
- NVIDIA Developer, Omniverse, https://developer.nvidia.com/omniverse，存取日期：2026-08-27。
延伸閱讀
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2025-05-21