[論文レビュー] AirSim Drone Racing Lab

Ratnesh Madaan, Nicholas Gydé+8 more|arXiv (Cornell University)|Dec 14, 2019

Robotic Path Planning Algorithms参考文献 33被引用数 14

ひとこと要約

本論文では、写真のようにリアルな環境、複数のセンサーモダリティ（単眼、深度、オプティカルフロー、ニューロモーフィックイベントを含む）、および包括的なAPIを備えた、高精細なシミュレーションフレームワーク「AirSim Drone Racing Lab」を紹介する。このフレームワークは、視認性、計画、制御アルゴリズムの迅速なプロトタイピングを可能にし、NeurIPS 2019でシミュレーションベースのコンペティションを主催した。これにより、ドローン自律走行分野における機械学習研究の実用性が裏付けられ、シミュレーションから実世界への転送性も高いことが示された。

ABSTRACT

Autonomous drone racing is a challenging research problem at the intersection of computer vision, planning, state estimation, and control. We introduce AirSim Drone Racing Lab, a simulation framework for enabling fast prototyping of algorithms for autonomy and enabling machine learning research in this domain, with the goal of reducing the time, money, and risks associated with field robotics. Our framework enables generation of racing tracks in multiple photo-realistic environments, orchestration of drone races, comes with a suite of gate assets, allows for multiple sensor modalities (monocular, depth, neuromorphic events, optical flow), different camera models, and benchmarking of planning, control, computer vision, and learning-based algorithms. We used our framework to host a simulation based drone racing competition at NeurIPS 2019. The competition binaries are available at our github repository.

研究の動機と目的

• 実世界の実験におけるコスト、リスク、複雑さの高さにより、自律ドローンレーシング研究の参入障壁が高いため、これを低減すること。
• 実世界の条件に近いシミュレーション環境を提供し、視認性、計画、制御アルゴリズムの強固なテストと一般化を可能にすること。
• エンドツーエンドの自律走行システムのトレーニングとベンチマークに適した、スケーラブルでアクセス可能かつ拡張可能なプラットフォームを提供することで、機械学習研究を促進すること。
• 写真のようにリアルなレンダリング、ドメインランダマイゼーション、およびイベントカメラやオプティカルフローを含む多様なセンサーモダリティのサポートにより、シミュレーションから実世界へのギャップを埋めること。
• 機械学習コミュニティがドローンレーシングの課題に参加できるように、大規模なシミュレーション専用コンペティション（NeurIPS 2019の「Game of Drones」）を主催すること。

提案手法

• 写真のようにリアルな環境と正確なドローンの運動を実現するため、AirSim と Unreal Engine を基盤として採用し、高精細なグラフィックスと物理シミュレーションを活用する。
• 低レベル制御（例：角度速度と推力指令）、中レベル制御（速度および位置のセットポイント）、高レベルの軌道計画（スプラインフィッティングと軌道追従）をサポートする包括的なAPIを提供する。
• 複数の複雑度設定が可能なレーシングトラックの生成を可能にし、曲率やゲートの可視性といったメトリクスを用いて計画および視認性の課題を評価可能にする。
• GPUアクセceleratedコンピュートシェーダーを用いて、単眼RGB、深度、オプティカルフロー、ニューロモーフィックイベントベースのセンシングを含む、複数のセンサーモダリティを統合する。
• ドメインランダマイゼーションを実装し、テクスチャランダマイゼーションとカメラパrameterの変更を用いることで、シミュレーションから実世界への一般化性を向上させる。
• GPUベースのシェーダーを用いて、ピクセル強度の差分を計算し、非同期イベントデータに変換することで、リアルタイムでのイベント生成を実現する。

実験結果

リサーチクエスチョン

• RQ1 高精細なシミュレーションフレームワークは、開発にかかる時間、コスト、リスクを低減させつつ、シミュレーションから実世界への転送性を維持できるか？
• RQ2 特にニューロモーフィックイベントとオプティカルフローを含む多様なセンサーモダリティをシミュレーション環境に統合することで、エンドツーエンドの学習ベースのエージェントのトレーニングにどの程度有効であるか？
• RQ3 シミュレーションベースのコンペティションは、ドローンレーシングにおける複雑なマルチモジュール自律走行問題を解決するため、機械学習コミュニティをどの程度引きつけ、関与させることができるか？
• RQ4 曲率やゲート可視性といったトラック複雑度のメトリクスは、自律ドローンレーシングにおける視認性、計画、制御タスクの難易度とどの程度相関するか？
• RQ5 シミュレーションにおけるドメインランダマイゼーションとリアルなセンサーモデリングの活用は、学習済みポリシーの実世界のドローンレーシングシナリオへの一般化性を向上させることができるか？

主な発見

• AirSim Drone Racing Lab フレームワークは、NeurIPS 2019で大規模なシミュレーション専用ドローンレーシングコンペティションを成功裏に開催し、機械学習コミュニティからの多様な参加を実現した。
• 写真のようにリアルなレンダリングを備えた高精細シミュレーションをサポートしており、視覚ベースおよび学習ベースのアルゴリズムの有効なトレーニングと評価が可能である。
• GPUアクセceleratedシェーダーを用いたリアルタイムでのニューロモーフィックイベントデータおよびオプティカルフローの生成により、非同期および運動ベースのセンシングの低遅延かつ高パフォーマンスなシミュレーションが実現された。
• トラック複雑度メトリクス（曲率とゲート可視性）が定量的に可視化され、さまざまなレース環境における計画および視認性タスクの難易度を評価するのに使用された。
• 単眼、深度、オプティカルフロー、イベントベースのセンシングを含む多様なセンサーモダリティの統合により、視認性および制御アルゴリズムの包括的なベンチマークが可能になった。
• 拡張可能なAPIとドメインランダマイゼーションのサポートにより、自律ドローンレーシングにおける強固なポリシーのトレーニングと、シミュレーションから実世界への一般化性の向上が達成された。