[论文解读] Survey of Simulators for Aerial Robots: An Overview and In-Depth Systematic Comparisons

Cora A. Dimmig, Giuseppe Silano+5 more|arXiv (Cornell University)|Nov 4, 2023

Robotic Path Planning Algorithms参考文献 62被引用 5

一句话总结

本文对44个无人机模拟器进行了全面综述与系统性比较，重点关注14个广泛使用的平台。通过评估物理保真度、传感器支持、飞行器类型以及许可、可维护性等实际因素，为研究人员在特定垂直起降机器人应用中选择最优模拟器提供指导。

ABSTRACT

Uncrewed Aerial Vehicle (UAV) research faces challenges with safety, scalability, costs, and ecological impact when conducting hardware testing. High-fidelity simulators offer a vital solution by replicating real-world conditions to enable the development and evaluation of novel perception and control algorithms. However, the large number of available simulators poses a significant challenge for researchers to determine which simulator best suits their specific use-case, based on each simulator's limitations and customization readiness. In this paper we present an overview of 44 UAV simulators, including in-depth, systematic comparisons for 14 of the simulators. Additionally, we present a set of decision factors for selection of simulators, aiming to enhance the efficiency and safety of research endeavors.

研究动机与目标

• 解决在可用选项日益增多的背景下，为特定研究需求选择最合适的无人机模拟器的挑战。
• 系统性地比较14个突出的无人机模拟器在物理保真度、传感器支持和飞行器类型兼容性等关键技术与实际维度上的表现。
• 识别并评估关键决策因素，如许可模式、开源可用性、活跃维护情况，以及与ROS、强化学习和硬件框架的集成能力。
• 为研究人员提供一个结构化框架，以优化无人机算法开发中的安全性、效率和可扩展性。
• 通过分析模拟器保真度和结果可迁移性，支持从仿真到真实世界部署的过渡。

提出的方法

• 基于四个领域（物理引擎、渲染、操作系统支持、接口）的18项评估标准，对14个广泛使用的无人机模拟器进行了深入且系统性的比较。
• 从三个核心维度评估模拟器能力：支持的飞行器类型（如多旋翼、固定翼、直升机、集群）、传感器套件（如RGB、深度、IMU、GPS、激光雷达）以及与机器人中间件（ROS、Python、强化学习、C++）的集成能力。
• 按许可模式（开源、专有、学术）对模拟器进行分类，并评估其长期可维护性和社区支持情况。
• 分析物理建模保真度，包括阻力、风力和气动效应，并评估模拟器在处理多旋翼或空中操作等复杂动力学时的表现。
• 使用标准化表格（表V–VII）对比各模拟器的功能、飞行器类型和传感器可用性，实现并排评估。
• 结合国际机器人竞赛经验、实际应用场景和社区反馈，使推荐基于实际应用经验。

实验结果

研究问题

• RQ1 哪些模拟器在支持多旋翼、固定翼及多飞行器集群动力学方面表现最佳，且能真实模拟气动效应？
• RQ2 不同模拟器在传感器保真度方面如何比较，包括激光雷达、光学流、GPS和IMU的模拟？
• RQ3 在定制化、维护和与ROS或强化学习框架集成方面，开源与专有模拟器之间的关键权衡是什么？
• RQ4 模拟器的物理引擎（如PhysX、PyBullet、ODE）如何影响无人机飞行动力学的逼真度和准确性，特别是在高速或高机动飞行条件下？
• RQ5 研究人员在选择模拟器时应优先考虑哪些决策因素，以确保长期可持续性、可复现性以及高效地向真实硬件迁移？

主要发现

• Gazebo（经典版与新版）、Webots和AirSim在飞行器类型支持方面最为全面，涵盖多旋翼、固定翼和集群，且与ROS 1/2集成良好。
• AirSim和Isaac Sim（Pegasus）提供最全面的传感器套件，包括RGB、深度、语义分割、激光雷达和光学流，且在Unreal Engine中具备高保真渲染。
• 开源模拟器如Gazebo、Webots和gym-pybullet-drones因源代码可访问且维护活跃，更受自定义修改的青睐。
• Isaac Gym（Aerial Gym）在高性能强化学习应用中表现卓越，具备GPU加速物理引擎，并支持大规模集群（如512架四旋翼机）的仿真。
• RotorTM和MATLAB UAV Toolbox等模拟器传感器支持有限（如无激光雷达或光学流），不适用于感知密集型任务。
• 专有模拟器如AirSim和Isaac Sim（Pegasus）虽有强大商业支持，但可能缺乏长期可维护性和开放访问，对可复现性构成风险。