URBAN‑SIM: шаг к автономной микромобильности

Ссылка на оригинал - https://www.marktechpost.com/2025/07/26/urban-sim-advancing-autonomous-micromobility-with-scalable-urban-simulation/

Большинство современных симуляторов для обучения роботов ориентированы на замкнутые помещения или автомобильные дороги. Однако устройства микромобильности — такие как роботы-доставщики или персональные транспортные средства — чаще передвигаются по тротуарам, пешеходным зонам и узким переулкам, что требует принципиально иного подхода.

Платформа URBAN‑SIM решает эту задачу, предлагая масштабируемую симуляцию городской среды. Она построена на базе графического движка NVIDIA Omniverse и физического ядра PhysX, что позволяет создавать реалистичные и детализированные сцены.

Ключевые особенности URBAN‑SIM:

• Иерархическая генерация городов — от кварталов и площадей до бордюров, пандусов и лестниц, создаются бесконечно разнообразные симуляции.
• Интерактивные динамические агенты — в симуляции участвуют пешеходы, велосипедисты и другие участники движения, чьё поведение просчитывается в реальном времени на GPU.
• Асинхронное обучение — каждый ИИ-агент обучается в своей уникальной среде, что позволяет использовать видеокарту более эффективно и ускоряет процесс.

URBAN‑BENCH: тестирование в действии

Чтобы проверить, насколько роботы справляются с городской навигацией, команда разработала набор задач URBAN‑BENCH, включающий три категории:

• Передвижение по различным типам поверхностей — ровным, наклонным, лестницам и неровностям.
• Навигация с обходом препятствий — как статических объектов, так и движущихся агентов.
• Дальние маршруты — роботы должны преодолевать километровые дистанции с множеством препятствий и ситуаций.

В URBAN‑SIM реализован подход гибридного управления: в стандартных ситуациях робот действует самостоятельно, но при сложностях (например, неожиданные помехи или запутанная развязка) управление может взять на себя человек. Такой подход объединяет эффективность ИИ с надёжностью человеческого вмешательства.

Для ускорения обучения применена асинхронная симуляция: каждый агент проходит обучение в собственной среде, параллельно с другими. Это позволило увеличить производительность системы на 26% по сравнению с традиционными, синхронными подходами.

В ближайших планах — интеграция с ROS 2. Это популярная система для управления роботами, которая используется в реальных устройствах. Благодаря такому подключению, поведение, отработанное в симуляции, можно будет безболезненно перенести в физический мир — на настоящие роботы, работающие на улицах города.