Towards Autonomous Micromobility through Scalable Urban Simulation
作者: Wayne Wu, Honglin He, Chaoyuan Zhang, Jack He, Seth Z. Zhao, Ran Gong, Quanyi Li, Bolei Zhou
分类: cs.CV, cs.AI, cs.RO
发布日期: 2025-05-01
备注: CVPR 2025 Highlight. Project page: https://metadriverse.github.io/urban-sim/
💡 一句话要点
提出URBAN-SIM和URBAN-BENCH，用于提升自主微出行的可扩展城市模拟。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主微出行 城市模拟 机器人学习 具身智能 强化学习 城市导航 URBAN-SIM URBAN-BENCH
📋 核心要点
- 现有微出行主要依赖人工操作，在复杂城市环境中面临安全和效率挑战，亟需AI辅助提升自主性。
- 论文提出URBAN-SIM，通过分层生成、交互动态和异步采样，构建多样、真实、高效的城市模拟环境。
- URBAN-BENCH包含城市运动、导航和穿越等八项任务，评估不同形态机器人在复杂城市环境中的性能。
📝 摘要（中文）
本文提出了一种可扩展的城市模拟解决方案，以推进自主微出行技术的发展。当前的微出行主要依赖人工操作，在复杂的城市环境中存在安全和效率问题。利用AI智能体辅助微出行设备是一种可行的解决方案。为此，我们构建了URBAN-SIM，一个高性能的机器人学习平台，用于在交互式城市场景中大规模训练具身智能体。URBAN-SIM包含分层城市生成流程、交互式动态生成策略和异步场景采样方案，以提高模拟中机器人学习的多样性、真实性和效率。此外，我们提出了URBAN-BENCH，一套评估AI智能体在实现自主微出行方面各种能力的任务和基准。URBAN-BENCH包括基于智能体三个核心技能（城市运动、城市导航和城市穿越）的八个任务。我们评估了具有不同形态的四种机器人，例如轮式和腿式机器人，在这些任务中的表现。在不同地形和城市结构上的实验揭示了每种机器人的优势和局限性。
🔬 方法详解
问题定义：论文旨在解决微出行设备在复杂城市环境中自主导航的问题。现有方法依赖人工操作或简单的环境模拟，无法满足真实城市环境的多样性和复杂性需求，导致训练的智能体泛化能力不足。因此，需要一个可扩展、真实的城市模拟环境，以及一套评估智能体自主能力的基准。
核心思路：论文的核心思路是构建一个可扩展的城市模拟平台URBAN-SIM，并设计一套全面的基准URBAN-BENCH，用于训练和评估自主微出行智能体。通过分层城市生成、交互式动态生成和异步场景采样，提高模拟环境的多样性、真实性和效率，从而提升智能体的泛化能力。
技术框架：URBAN-SIM平台包含三个主要模块：1) 分层城市生成流程，用于生成多样化的城市结构和环境；2) 交互式动态生成策略，用于模拟城市中动态物体的行为，如行人、车辆等；3) 异步场景采样方案，用于高效地采样不同的城市场景，加速训练过程。URBAN-BENCH则包含八个任务，涵盖城市运动、城市导航和城市穿越三个核心技能。
关键创新：论文的关键创新在于URBAN-SIM平台的设计，它能够以可扩展的方式生成多样化、真实的城市环境，并模拟城市中的动态交互。与现有的城市模拟器相比，URBAN-SIM更加注重机器人学习的需求，提供了更高效的场景采样和更真实的物理模拟。此外，URBAN-BENCH提供了一套全面的基准，可以系统地评估智能体在自主微出行方面的能力。
关键设计：分层城市生成流程采用程序化生成方法，通过定义不同的城市元素（如道路、建筑物、行人等）及其组合规则，生成多样化的城市结构。交互式动态生成策略则基于物理引擎，模拟城市中动态物体的行为，并考虑它们与智能体的交互。异步场景采样方案采用多进程并行采样，加速训练过程。URBAN-BENCH中的任务设计考虑了不同地形和城市结构，以评估智能体的鲁棒性。
🖼️ 关键图片
📊 实验亮点
论文在URBAN-BENCH上评估了四种不同形态的机器人，实验结果表明，轮式机器人在平坦地形上表现出色，而腿式机器人在复杂地形上更具优势。通过对比不同机器人在各项任务中的表现，揭示了它们各自的优缺点，为微出行设备的设计和选择提供了参考。
🎯 应用场景
该研究成果可应用于开发自主送货机器人、自动驾驶轮椅、智能代步车等微出行设备，提升城市物流效率，改善老年人和残疾人的出行体验，并为智慧城市建设提供技术支撑。未来，该研究还可扩展到自动驾驶汽车、无人机等领域。
📄 摘要（原文）
Micromobility, which utilizes lightweight mobile machines moving in urban public spaces, such as delivery robots and mobility scooters, emerges as a promising alternative to vehicular mobility. Current micromobility depends mostly on human manual operation (in-person or remote control), which raises safety and efficiency concerns when navigating busy urban environments full of unpredictable obstacles and pedestrians. Assisting humans with AI agents in maneuvering micromobility devices presents a viable solution for enhancing safety and efficiency. In this work, we present a scalable urban simulation solution to advance autonomous micromobility. First, we build URBAN-SIM - a high-performance robot learning platform for large-scale training of embodied agents in interactive urban scenes. URBAN-SIM contains three critical modules: Hierarchical Urban Generation pipeline, Interactive Dynamics Generation strategy, and Asynchronous Scene Sampling scheme, to improve the diversity, realism, and efficiency of robot learning in simulation. Then, we propose URBAN-BENCH - a suite of essential tasks and benchmarks to gauge various capabilities of the AI agents in achieving autonomous micromobility. URBAN-BENCH includes eight tasks based on three core skills of the agents: Urban Locomotion, Urban Navigation, and Urban Traverse. We evaluate four robots with heterogeneous embodiments, such as the wheeled and legged robots, across these tasks. Experiments on diverse terrains and urban structures reveal each robot's strengths and limitations.