論文の概要: Flightmare: A Flexible Quadrotor Simulator
- arxiv url: http://arxiv.org/abs/2009.00563v2
- Date: Sun, 9 May 2021 17:08:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:46:39.050415
- Title: Flightmare: A Flexible Quadrotor Simulator
- Title(参考訳): flightmare: 柔軟なクワッドローターシミュレータ
- Authors: Yunlong Song, Selim Naji, Elia Kaufmann, Antonio Loquercio, Davide
Scaramuzza
- Abstract要約: そこで本研究では,新しい四極子シミュレータFlightmareを提案する。
Flightmareは、Unity上に構築されたレンダリングエンジンと、動的シミュレーションのための柔軟な物理エンジンの2つの主要コンポーネントで構成されている。
レンダリングは最大230Hzの速度を実現し、物理シミュレーションはラップトップ上で最大20万Hzの速度を実現している。
- 参考スコア(独自算出の注目度): 44.95510795798273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State-of-the-art quadrotor simulators have a rigid and highly-specialized
structure: either are they really fast, physically accurate, or
photo-realistic. In this work, we propose a novel quadrotor simulator:
Flightmare. Flightmare is composed of two main components: a configurable
rendering engine built on Unity and a flexible physics engine for dynamics
simulation. Those two components are totally decoupled and can run
independently of each other. This makes our simulator extremely fast: rendering
achieves speeds of up to 230 Hz, while physics simulation of up to 200,000 Hz
on a laptop. In addition, Flightmare comes with several desirable features: (i)
a large multi-modal sensor suite, including an interface to extract the 3D
point-cloud of the scene; (ii) an API for reinforcement learning which can
simulate hundreds of quadrotors in parallel; and (iii) integration with a
virtual-reality headset for interaction with the simulated environment. We
demonstrate the flexibility of Flightmare by using it for two different robotic
tasks: quadrotor control using deep reinforcement learning and collision-free
path planning in a complex 3D environment.
- Abstract(参考訳): 最先端のquadrotorシミュレータは、非常に高速で、物理的に正確か、フォトリアリスティックか、厳格で高度な構造を持っている。
本研究では,新しい四重子シミュレータであるflightmareを提案する。
flightmareはunity上に構築された構成可能なレンダリングエンジンと、ダイナミクスシミュレーションのための柔軟な物理エンジンである。
これら2つのコンポーネントは完全に分離されており、互いに独立して実行できる。
レンダリングは最大230Hzの速度を実現し、物理シミュレーションは最大20万Hzの速度を実現しています。
さらに、Flightmareにはいくつかの望ましい機能がある。
(i)シーンの3dポイントクラウドを抽出するためのインターフェースを含む、大規模なマルチモーダルセンサスイート
(ii)数百の四辺形を並列にシミュレートできる強化学習用API、及び
(iii)シミュレーション環境とのインタラクションのための仮想現実感ヘッドセットとの統合。
複雑な3次元環境下での深部強化学習を用いた四重項制御と無衝突経路計画という,2つの異なるロボット作業にFlightmareを用いることで,その柔軟性を実証する。
関連論文リスト
- GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes
and Minimalist Workflow [24.789118651720045]
光実写シーンを用いた自律走行シミュレータを提案する。
シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。
シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
論文 参考訳(メタデータ) (2024-01-28T23:26:15Z) - Scaling Face Interaction Graph Networks to Real World Scenes [12.519862235430153]
本稿では,グラフベースの学習シミュレータの実行に必要なメモリを大幅に削減する手法を提案する。
提案手法は,従来のグラフベースシミュレータに比べて,精度を保ちながらメモリ使用量が大幅に少ないことを示す。
これにより、学習したシミュレータの応用を、推論時に知覚情報しか利用できない設定に拡張する道が開ける。
論文 参考訳(メタデータ) (2024-01-22T14:38:25Z) - MARS: An Instance-aware, Modular and Realistic Simulator for Autonomous
Driving [13.571775151180923]
ニューラルレイディアンスフィールド(NeRF)に基づく自律走行シミュレータを提案する。
我々のシミュレーターは、フォアグラウンドインスタンスとバックグラウンド環境を独立したネットワークで別々にモデル化する。
我々のシミュレーターは、最高のモジュール選択を条件に、最先端のフォトリアリズムを新たに設定した。
論文 参考訳(メタデータ) (2023-07-27T17:59:52Z) - QuestEnvSim: Environment-Aware Simulated Motion Tracking from Sparse
Sensors [69.75711933065378]
ヘッドセットとコントローラーのポーズは,高度に制約された環境においても,現実的なフルボディのポーズを生成可能であることを示す。
本稿では,環境表現,接触報酬,シーンランダム化の3つの特徴について論じる。
論文 参考訳(メタデータ) (2023-06-09T04:40:38Z) - Megaverse: Simulating Embodied Agents at One Million Experiences per
Second [75.1191260838366]
私たちは、強化学習と具体化AI研究のための新しい3DシミュレーションプラットフォームであるMegaverseを紹介します。
MegaverseはDeepMind Labより最大70倍速い。
私たちはMegaverseを使って、複数の単一エージェントタスクとマルチエージェントタスクからなる新しいベンチマークを構築します。
論文 参考訳(メタデータ) (2021-07-17T03:16:25Z) - Habitat 2.0: Training Home Assistants to Rearrange their Habitat [122.54624752876276]
インタラクティブな3D環境で仮想ロボットを訓練するためのシミュレーションプラットフォームHabitat 2.0(H2.0)を紹介する。
エンボディされたAIスタックのすべてのレベル – データ、シミュレーション、ベンチマークタスク – にコントリビューションを行います。
論文 参考訳(メタデータ) (2021-06-28T05:42:15Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - LiDARsim: Realistic LiDAR Simulation by Leveraging the Real World [84.57894492587053]
物理に基づくシミュレーションと学習に基づくシミュレーションの両方のパワーをキャプチャする新しいシミュレータを開発した。
まず3Dシーン上でレイキャストを行い、次にディープニューラルネットワークを用いて物理シミュレーションから偏差を生成する。
本稿では,LiDARsimが長距離イベントにおける認識アルゴリズムのテストに有用であること,および安全クリティカルシナリオにおけるエンドツーエンドのクローズループ評価について紹介する。
論文 参考訳(メタデータ) (2020-06-16T17:44:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。