[論文レビュー] AirSim: High-Fidelity Visual and Physical Simulation for Autonomous Vehicles

Shital Shah, Debadeepta Dey+2 more|arXiv (Cornell University)|May 15, 2017

Simulation Techniques and Applications参考文献 15被引用数 7

ひとこと要約

AirSim は、Unreal Engine 上に構築されたオープンソースで高精度なシミュレーションプラットフォームであり、特にクアッドローターを対象とした自律走行車両の物理的・視覚的にリアルなトレーニングおよびテストを可能にします。MavLink を用いたリアルタイムのハードウェアインザループ（HITL）シミュレーション、正確なセンサーモデル、学習済みポリシーのリアルワールドシステムへのスムーズなデプロイをサポートしており、シミュレートされた飛行と実際の飛行の間で軌道類似度が非常に高い（ハウスドルフ距離 <1.5m）ことを達成しています。

ABSTRACT

Developing and testing algorithms for autonomous vehicles in real world is an expensive and time consuming process. Also, in order to utilize recent advances in machine intelligence and deep learning we need to collect a large amount of annotated training data in a variety of conditions and environments. We present a new simulator built on Unreal Engine that offers physically and visually realistic simulations for both of these goals. Our simulator includes a physics engine that can operate at a high frequency for real-time hardware-in-the-loop (HITL) simulations with support for popular protocols (e.g. MavLink). The simulator is designed from the ground up to be extensible to accommodate new types of vehicles, hardware platforms and software protocols. In addition, the modular design enables various components to be easily usable independently in other projects. We demonstrate the simulator by first implementing a quadrotor as an autonomous vehicle and then experimentally comparing the software components with real-world flights.

研究の動機と目的

• 自律走行車両の実世界トレーニングにおける高コストおよび高リスクを軽減するため、大規模で安全かつ多様なシミュレーションを可能にすること。
• 物理的および視覚的にリアルな環境を提供することで、シミュレーションと現実のギャップを埋めること。
• 強化学習やディープラーニングなどのデータ駆動型機械学習手法を支援するため、高品質でアノテーション済みのトレーニングデータを生成すること。
• 標準プロトコル（例：MavLink）を用いて、実際のフライトコントローラー（例：PX4、Pixhawk）と統合したハードウェアインザループ（HITL）シミュレーションを可能にすること。
• 物理エンジン、車両モデル、センサー モデルなどのコンponents を独立して再利用可能なモジュラーかつ拡張可能なシミュレータを設計すること。

提案手法

• 高精度なビジュアルレンダリング（ソフトシャドウ、リフレクション、複雑な環境ディテールを含む）を実現するため、Unreal Engine を活用する。
• 高周波数の物理エンジンを統合し、車両のダイナミクスおよびアクチュエータ応答のリアルタイムかつ正確なシミュレーションを可能にする。
• 実際のフライトコントローラー ファームウェアと接続可能な公開 API およびプロトコルインターフェース（例：MavLink）を提供することで、ハードウェアインザループ（HITL）シミュレーションを実装する。
• センサー（IMU、バロメータ、コンpasses）を、メーカーのデータシートをもとにモデル化し、現実世界のノイズ、バイアス、動的特性を再現する。
• 環境、車両、物理、センサー、レンダリングコンponents を分離するモジュラー アーキテクチャを採用することで、拡張性と独立した再利用性を実現する。
• 空間的・時間的軌道解析およびハウスドルフ距離を用いて、実世界の飛行データと比較してシミュレーションの忠実度を定量的に検証する。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションプラットフォームが、自律走行車両のポリシーに対する信頼性の高いトレーニングを可能にするために、高視覚的・物理的忠実度を達成できるか？
• RQ2 複雑なマニューバーにおけるクアッドローターのシミュレートされた挙動は、実世界の飛行ダイナミクスとどの程度一致するか？
• RQ3 シミュレーションにおけるセンサーモデル（IMU、バロメータ、コンパス）は、現実世界のセンサー特性をどの程度正確に再現できるか？
• RQ4 シミュレーションでトレーニングされたポリシーを、変更なしに実ハードウェアに直接デプロイできるか？
• RQ5 シミュレータのモジュラー設計は、新しい車両、センサー、プロトコルの拡張をどの程度サポートできるか？

主な発見

• 円形マニューバーにおけるシミュレートされた軌道は、実世界の飛行と比較してハウスドルフ距離 1.47 メートルであり、軌道類似度が非常に高いことを示している。
• 四角形マニューバーにおけるシミュレートされた軌道は、実世界の飛行と比較してハウスドルフ距離 0.65 メートルであり、パストラッキングの高精度性を示している。
• シミュレーションにおける IMU ノイズ特性は、実世界の静止状態とよく一致しており（例：ジャイロ分散：2.47×10⁻⁷ 対 6.71×10⁻⁷ rad²/s²）、ただし飛行中の分散は低めに推定されている。
• バロメータおよびコンパスのセンサー応答は、静的および動的条件下で、シミュレーションと実世界の測定値が類似した信号特性とオフセット（絶対圧力差によるもの）を示しており、高精度に再現されている。
• シミュレータは一貫した API を通じて学習済みポリシーの実車両への直接デプロイを可能にし、シミュレーションから現実への移行ギャップを低減している。
• モジュラー アーキテクチャにより、物理エンジンやセンサー モデルなどのコアコンponents をメイン シミュレータとは別に独立して使用可能であり、他のプロジェクトでも再利用が可能である。