Микромобильные решения — такие как роботы для доставки, скутеры и электрические инвалидные коляски — быстро меняют ситуацию с короткими городскими поездками. Несмотря на растущую популярность как гибких и экологичных альтернатив транспорту, большинство микромобильных устройств всё ещё сильно зависят от человеческого управления. Эта зависимость ограничивает операционную эффективность и вызывает опасения по поводу безопасности, особенно в сложных, переполненных городских условиях с динамическими препятствиями, такими как пешеходы и велосипедисты.
Необходимость автономной микромобильности в городских пространствах
Традиционные транспортные средства, такие как автомобили и автобусы, идеально подходят для поездок на большие расстояния, но часто испытывают трудности с обеспечением связи на последнем этапе городских поездок. Микромобильность заполняет этот пробел, предлагая лёгкие устройства с низкой скоростью, которые отлично подходят для коротких городских поездок. Однако истинная автономия в микромобильности остаётся недостижимой: текущие решения в области искусственного интеллекта (ИИ) сосредоточены в основном на конкретных задачах, таких как объезд препятствий или простая навигация, и не учитывают многогранные проблемы, которые создают реальные городские условия, включая неровную местность, лестницы и плотные толпы.
Ограничения существующих платформ для обучения роботов и моделирования
Большинство платформ для моделирования при обучении роботов предназначены для внутренних помещений или транспортных сетей и не обладают контекстуальной насыщенностью и сложностью, которые можно найти на городских тротуарах, площадях и в переулках. В то же время высокопроизводительные платформы часто предоставляют упрощённые сцены, неподходящие для глубокого обучения в условиях с разнообразными препятствиями и непредсказуемыми движениями пешеходов. Этот разрыв ограничивает способность агентов ИИ эффективно осваивать критически важные навыки для автономной микромобильности.
Введение URBAN-SIM: высокопроизводительное моделирование для городской микромобильности
Для решения этих задач исследователи из Калифорнийского университета в Лос-Анджелесе и Вашингтонского университета разработали URBAN-SIM — масштабируемую платформу для городского моделирования высокого разрешения, специально предназначенную для исследований в области автономной микромобильности.
Ключевые особенности URBAN-SIM
1. Иерархическое создание городских сцен. Процедурально создаются бесконечно разнообразные крупномасштабные городские среды — от уличных кварталов до детальных особенностей местности, включая тротуары, пандусы, лестницы и неровные поверхности. Этот многоуровневый конвейер обеспечивает реалистичные и разнообразные условия для обучения роботов.
2. Интерактивное динамическое моделирование агентов. В режиме реального времени моделируются реагирующие пешеходы, велосипедисты и транспортные средства на графических процессорах (GPU), что позволяет осуществлять сложные взаимодействия между несколькими агентами, имитирующие истинную городскую динамику.
3. Асинхронная выборка сцен для масштабируемости. Обеспечивает параллельное обучение агентов ИИ на сотнях уникальных и сложных городских сцен на одном GPU, что значительно повышает скорость обучения и способствует более надёжному изучению политики.
4. Построение на базе NVIDIA Omniverse и физического движка PhysX. URBAN-SIM сочетает реалистичный визуальный рендеринг с точной физикой для аутентичного обучения ИИ.
URBAN-BENCH: комплексный набор тестов для реальных навыков
В дополнение к URBAN-SIM команда создала URBAN-BENCH — набор задач и систему тестирования, которые фиксируют основные возможности автономной микромобильности, основанные на реальных сценариях использования в городских условиях. URBAN-BENCH включает в себя:
* Задачи по передвижению в городе: перемещение по плоским поверхностям, склонам, лестницам и пересечённой местности для обеспечения стабильного и эффективного движения робота.
* Задачи по навигации в городе: навигация по чистым путям, обход статических препятствий, таких как скамейки и мусорные баки, и управление динамическими препятствиями, такими как движущиеся пешеходы и велосипедисты.
* Задача по перемещению по городу: сложное путешествие на километр, сочетающее сложные рельефы, препятствия и динамических агентов, предназначенное для проверки навигации на большом расстоянии и принятия решений.
Подход к совместной автономии человека и ИИ
Для задачи по перемещению на большие расстояния URBAN-BENCH представляет модель совместной автономии человека и ИИ. Эта гибкая архитектура управления разбивает систему управления роботом на уровни — принятие решений на высоком уровне, навигация на среднем уровне и передвижение на низком уровне — что позволяет людям вмешиваться в сложных или рискованных сценариях, одновременно позволяя ИИ управлять рутинной навигацией и движением. Такое сотрудничество обеспечивает баланс между безопасностью и эффективностью в динамичных городских условиях.
Оценка разнообразных роботов в реалистичных задачах
URBAN-SIM и URBAN-BENCH поддерживают широкий спектр роботизированных платформ, включая колёсные, четвероногие, колёсно-ногие и гуманоидные роботы. Бенчмарки выявляют уникальные сильные и слабые стороны каждого типа роботов в задачах передвижения и навигации, иллюстрируя универсальность платформы.
Например:
* Четырёхногие роботы отличаются стабильностью и способностью преодолевать лестницы.
* Колёсные роботы лучше всего работают на чистых, ровных дорожках.
* Колёсно-ногие роботы используют свою гибридную конструкцию для адаптации к различным типам местности.
* Гуманоидные роботы эффективно ориентируются в узких, переполненных городских пространствах, обходя препятствия.
Масштабируемость и эффективность обучения
Асинхронная стратегия выборки сцен позволяет проводить обучение в разнообразных городских сценах, демонстрируя улучшение производительности до 26,3% по сравнению с синхронными методами обучения. Увеличение разнообразия тренировочных сред напрямую коррелирует с более высокими показателями успеха в задачах навигации, что подчёркивает необходимость крупномасштабного, разнообразного моделирования для надёжной автономной микромобильности.
Заключение
URBAN-SIM и URBAN-BENCH представляют собой важные шаги на пути к обеспечению безопасной, эффективной и масштабируемой автономной микромобильности в сложных городских условиях. Будущая работа направлена на то, чтобы преодолеть разрыв между моделированием и реальным развёртыванием за счёт интеграции с ROS 2 и использования методов переноса из модели в реальность. Кроме того, платформа будет развиваться, чтобы включать в себя мультимодальные возможности восприятия и манипулирования, необходимые для комплексных городских приложений роботов, таких как доставка посылок и вспомогательная робототехника.
Позволяя масштабировать обучение и тестирование агентов ИИ в реальных городских сценариях, это исследование стимулирует прогресс в области автономной микромобильности — способствует устойчивому городскому развитию, повышает доступность и безопасность в общественных местах.
1. Какие проблемы существующих платформ для обучения роботов и моделирования рассматриваются в статье?
В статье говорится, что большинство платформ для моделирования при обучении роботов предназначены для внутренних помещений или транспортных сетей и не обладают контекстуальной насыщенностью и сложностью, которые можно найти на городских тротуарах, площадях и в переулках. Высокопроизводительные платформы часто предоставляют упрощённые сцены, неподходящие для глубокого обучения в условиях с разнообразными препятствиями и непредсказуемыми движениями пешеходов.
2. Какие ключевые особенности имеет платформа URBAN-SIM?
Ключевые особенности URBAN-SIM включают:
* иерархическое создание городских сцен;
* интерактивное динамическое моделирование агентов;
* асинхронная выборка сцен для масштабируемости;
* построение на базе NVIDIA Omniverse и физического движка PhysX.
3. Какие задачи включает в себя URBAN-BENCH?
URBAN-BENCH включает в себя:
* задачи по передвижению в городе: перемещение по плоским поверхностям, склонам, лестницам и пересечённой местности для обеспечения стабильного и эффективного движения робота;
* задачи по навигации в городе: навигация по чистым путям, обход статических препятствий, таких как скамейки и мусорные баки, и управление динамическими препятствиями, такими как движущиеся пешеходы и велосипедисты;
* задача по перемещению по городу: сложное путешествие на километр, сочетающее сложные рельефы, препятствия и динамических агентов, предназначенное для проверки навигации на большом расстоянии и принятия решений.
4. Какие типы роботов поддерживает URBAN-SIM и URBAN-BENCH?
URBAN-SIM и URBAN-BENCH поддерживают широкий спектр роботизированных платформ, включая колёсные, четвероногие, колёсно-ногие и гуманоидные роботы.
5. Какие преимущества даёт асинхронная стратегия выборки сцен в URBAN-SIM?
Асинхронная стратегия выборки сцен позволяет проводить обучение в разнообразных городских сценах, демонстрируя улучшение производительности до 26,3% по сравнению с синхронными методами обучения. Увеличение разнообразия тренировочных сред напрямую коррелирует с более высокими показателями успеха в задачах навигации.