Aerial Gym Simulator: A Framework for Highly Parallelized Simulation of Aerial Robots

📄 arXiv: 2503.01471v1 📥 PDF

作者: Mihir Kulkarni, Welf Rehberg, Kostas Alexis

分类: cs.RO

发布日期: 2025-03-03

备注: Accepted for publication in IEEE Robotics and Automation Letters (RA-L)

🔗 代码/项目: GITHUB

💡 一句话要点

提出Aerial Gym：一个用于无人机高并行仿真与渲染的框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 无人机仿真 强化学习 GPU加速 并行计算 Sim2Real

📋 核心要点

  1. 现有无人机仿真平台在并行化和渲染能力上存在不足，限制了大规模强化学习和复杂环境下的算法验证。
  2. Aerial Gym Simulator利用NVIDIA Isaac Gym，实现高度并行的多旋翼无人机仿真和GPU加速渲染，支持多种驱动方式和传感器模拟。
  3. 通过深度导航等任务的实验，验证了Aerial Gym Simulator的有效性，并成功实现了训练策略从仿真到真实环境的迁移。

📝 摘要（中文）

本文贡献了Aerial Gym Simulator，这是一个高度并行化、模块化的框架，基于NVIDIA Isaac Gym，用于仿真和渲染任意多旋翼平台。Aerial Gym支持欠驱动、全驱动和过驱动多旋翼的仿真，提供并行的几何控制器，以及定制的GPU加速渲染框架，用于光线投射，能够从环境中捕获深度、分割和顶点级别的注释。本文提供了关键任务的多个示例，例如通过强化学习进行基于深度的导航。该框架中开发的全面工具集使其成为研究控制、规划和导航学习的强大资源，可以使用状态信息以及外部传感器观测。进行了广泛的仿真研究，并成功演示了训练策略的sim2real迁移。Aerial Gym Simulator已开源。

🔬 方法详解

问题定义：现有无人机仿真平台通常难以兼顾高仿真精度、高并行度和快速渲染能力，尤其是在复杂环境中进行大规模强化学习训练时，计算资源成为瓶颈。此外，传感器数据的模拟也缺乏灵活性，难以满足不同算法的需求。

核心思路：Aerial Gym Simulator的核心思路是利用NVIDIA Isaac Gym强大的物理引擎和GPU加速能力，实现高度并行的无人机仿真。通过模块化的设计，支持不同类型的多旋翼平台和传感器配置，并提供自定义的渲染框架，以满足各种视觉任务的需求。

技术框架：Aerial Gym Simulator的整体架构包括以下几个主要模块：1) 基于NVIDIA Isaac Gym的物理引擎，用于模拟无人机的动力学行为；2) 多旋翼平台模型库，支持欠驱动、全驱动和过驱动等多种类型；3) 并行几何控制器，用于实现无人机的姿态和位置控制；4) GPU加速的渲染框架，用于生成深度、分割和顶点级别的图像数据；5) 强化学习示例，展示了如何使用Aerial Gym Simulator进行无人机导航任务的训练。

关键创新：Aerial Gym Simulator的关键创新在于其高度并行化的仿真能力和GPU加速的渲染框架。通过充分利用GPU的计算资源，可以同时模拟大量的无人机，并快速生成高质量的传感器数据。此外，该框架的模块化设计也使得用户可以方便地定制自己的无人机模型和传感器配置。

关键设计：在参数设置方面，需要仔细调整物理引擎的参数，以保证仿真的稳定性和精度。在损失函数方面，可以根据具体的任务需求设计不同的损失函数，例如用于导航任务的距离损失和碰撞损失。在网络结构方面，可以使用各种常见的深度学习模型，例如卷积神经网络和循环神经网络。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了Aerial Gym Simulator的有效性。例如，在基于深度的导航任务中，使用Aerial Gym Simulator训练的策略能够成功地迁移到真实环境中。此外，该框架还能够实现高度并行的仿真，显著缩短了训练时间。具体性能数据和对比基线可在论文中找到。

🎯 应用场景

Aerial Gym Simulator可广泛应用于无人机控制、规划和导航算法的研究与开发。它能够加速强化学习训练过程，并支持复杂环境下的算法验证。此外，该框架还可用于生成大量的合成数据，用于训练无人机的视觉感知模型。其潜在应用领域包括自主巡检、物流配送、灾害救援等。

📄 摘要（原文）

This paper contributes the Aerial Gym Simulator, a highly parallelized, modular framework for simulation and rendering of arbitrary multirotor platforms based on NVIDIA Isaac Gym. Aerial Gym supports the simulation of under-, fully- and over-actuated multirotors offering parallelized geometric controllers, alongside a custom GPU-accelerated rendering framework for ray-casting capable of capturing depth, segmentation and vertex-level annotations from the environment. Multiple examples for key tasks, such as depth-based navigation through reinforcement learning are provided. The comprehensive set of tools developed within the framework makes it a powerful resource for research on learning for control, planning, and navigation using state information as well as exteroceptive sensor observations. Extensive simulation studies are conducted and successful sim2real transfer of trained policies is demonstrated. The Aerial Gym Simulator is open-sourced at: https://github.com/ntnu-arl/aerial_gym_simulator.