Unmanned Vehicles: A Survey of Modern Simulators

Capa

Citar

Texto integral

Resumo

This survey is devoted to popular simulators supporting rough terrain for unmanned vehicles, namely, Gazebo, CARLA, AirSim, NVIDIA Isaac Sim, and Webots. Their main capabilities related to terrain modeling, motion physics, and support for sensors and weather conditions are described. Particular attention is paid to the creation of realistic rough terrain scenes, the complexity of importing real maps, and interaction with other software platforms, such as Robot Operating System (ROS) and artificial intelligence (AI) systems. The main drawbacks of each simulator are analyzed: the labor intensity of creating detailed terrain and vehicle models, the high complexity of integrating real maps, and the dependence on powerful hardware. The survey also notes the complexity of interaction with various software solutions and the required knowledge of 3D modeling. Gazebo and Webots are remarkable for their good integration with ROS but require more effort to work with rough terrain. CARLA and AirSim provide high-quality visualization but have higher requirements for creating landscapes. NVIDIA Isaac Sim stands out for AI simulation support but is resource-intensive. The authors’ experience in mapping vehicle trajectories and orienting in some simulators is presented.

Sobre autores

M. Makarov

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences; Moscow Institute of Physics and Technology

Autor responsável pela correspondência
Email: maxim.i.makarov@gmail.com
Moscow, Russia

N. Korgin

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: nkorgin@ipu.ru
Moscow, Russia

A. Pyzh’yanov

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: ipu@isko.moe
Moscow, Russia

Bibliografia

  1. Karunakaran, D., Berrio, J.S., Worrall, S. Challenges of Testing Highly Automated Vehicles: A Literature Review // Proceedings of 2022 IEEE International Conference on Recent Advances in Systems Science and Engineering (RASSE). – Tainan, 2022. – P. 1–8. – doi: 10.1109/RASSE54974.2022.9989562
  2. Beringhoff, F., Greenyer, J., Roesener, C. Thirty-One Challenges in Testing Automated Vehicles: Interviews with Experts from Industry and Research // Proceedings of 2022 IEEE Intelligent Vehicles Symposium (IV). – Aachen, 2022. – P. 360–366. – doi: 10.1109/IV51971.2022.9827097
  3. Lou, G., Deng, Y., Zheng, X., et al. Testing of Autonomous Driving Systems: Where Are We and Where Should We Go? // Proceedings of the 30th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering. – Singapore, 2022. – P. 31–43.
  4. Martinez, M., Sitawarin, C. Beyond Grand Theft Auto V for Training, Testing and Enhancing Deep Learning in Self-driving Cars. – arXiv:1712.01397, 2017. – DOI: https://doi.org/48550/arXiv.1712.01397
  5. Коргин Н.А., Мещеряков Р.В. Концепция проекта по созданию распределенной сети полигонов для отработки сценариев применения гетерогенных групп транспортных средств с электрическим приводом в сложных климатических и ландшафтных условиях // Труды 11-й Всероссийской научной конференции «Системный синтез и прикладная синергетика»: сборник научных трудов (п. Нижний Архыз, ССПС-2022). – Ростов н/Д.: Южный федеральный университет, 2022. – С. 197–202. [Korgin, N.A., Meshcheryakov, R.V. Kontseptsiya proekta po sozdaniyu raspredelennoi seti poligonov dlya otrabotki stsenariev primeneniya geterogennykh grupp transportnykh sredstv s ehlektricheskim privodom v slozhnykh klimaticheskikh i landshaftnykh usloviyakh. kh // Trudy 11-i Vserossiiskoi nauchnoi konferentsii «Sistemnyi sintez i prikladnaya sinergetikA»: sbornik nauchnykh trudov (p. Nizhnii Arkhyz, SSPS-2022). – Rostov n/D.: Yuzhnyi federal'nyi universitet, 2022. – P. 197–202. (In Russian)]
  6. Макаров М.И. Алгоритм локального планирования пути для объезда препятствий в путевых координатах // Проблемы управления. – 2024. – № 3. – С. 66–72. [Makarov, M.I. A local path planning algorithm for avoiding obstacles in the frenet frame // Control Sciences. – 2024. – No. 3. – P. 56–61.]
  7. Mitrohin, M.A., Alyaev, A.O., Lobanov, R.I., Semenkin, M.V. Investigation of the Influence of Lighting Objects Control Algorithms on the Characteristics of Road Traffic at Intersections // Transport Automation Research. – 2024. – No. 3. – P. 282–295.
  8. Lim, K.G., Lee, C.H., Chin, R.K., et al. SUMO Enhancement for Vehicular Ad Hoc Network (VANET) Simulation // Proceedings of 2017 IEEE 2nd International Conference on Automatic Control and Intelligent Systems (I2CACIS). – Kota Kinabalu, 2017. – P. 86–91.
  9. Barceló, J., Barceló, P., Casas, J., Ferrer, J.L. AIMSUN: New ITS Capabilities // Proc. Eur. ITS Conf. – Bilbao, Spain, 2001. – P. 1–10.
  10. Ghafarian, M., Watson, N., Mohajer, N., et al. A Review of Dynamic Vehicular Motion Simulators: Systems and Algorithms // IEEE Access. – 2023. – Vol. 11. – P. 36 331–36 348.
  11. Ziegler, S., Höpler, R. Extending the IPG CarMaker by FMI Compliant Units // Proceedings of 8th International Modelica Conference. – Dresden, 2011. – P. 779–784.
  12. TruckSim Overview. – URL: https://www.carsim.com/products/trucksim/index.php (дата обращения: 30.09.2024). [Accessed September 30, 2024.]
  13. Silva, I., Silva, H., Botelho, F., Pendao, C. Realistic 3D Simulators for Automotive: A Review of Main Applications and Features // Sensors. – 2024. – Vol. 24, no. 18. – Art. no. 5880.
  14. Li, Y., Yuan, W., Zhang, S., et al. Choose Your Simulator Wisely: A Review on Open-Source Simulators for Autonomous Driving // IEEE Transactions on Intelligent Vehicles. – 2024. – Vol. 9, iss. 5. – P. 4861–4876.
  15. Cantas, M.R., Guvenc, L. Customized Co-simulation Environment for Autonomous Driving Algorithm Development and Evaluation // arXiv:2306.00223, 2023. – DOI: https://doi.org/48550/arXiv.2306.00223
  16. Holen, M., Knausgard, K., Goodwin, M. An Evaluation of Autonomous Car Simulators and Their Applicability for Supervised and Reinforcement Learning // Proceedings of International Conference on Intelligent Technologies and Applications. – Grimstad, 2021. – P. 367–379.
  17. May, J., Poudel, S., Amdan, S., et al. Using the CARLA Simulator to Train a Deep Q Self-Driving Car to Control a Real-World Counterpart on a College Campus // Proceedings of 2023 IEEE International Conference on Big Data. – Sorrento, 2023. – P. 2206–2210.
  18. Tanmay, V.S., Chinmay, V.S., Ming, X. AutoDRIVE Simulator: A Simulator for Scaled Autonomous Vehicle Research and Education // Proceedings of the 2021 2nd International Conference on Control, Robotics and Intelligent System (CCRIS ’21). – Qingdao, 2021. – P. 1–5.
  19. Hanevold, M. Path Following Model Predictive Control of a Differential Drive UGV in Off-Road Terrain: Master of Informatics thesis. – Oslo: University of Oslo, 2022. – 88 p.
  20. Zheng, H., Smereka, J.M., Mikulski, D., et al. Bayesian Optimization Based Trust Model for Human Multi-robot Collaborative Motion Tasks in Offroad Environments // International Journal of Social Robotics. – 2023. – Vol. 15, no. 7. – P. 1181–1201.
  21. Koenig, N., Howard, A. Design and Use Paradigms for Gazebo, an Open-Source Multi-robot Simulator // Proceedings of 2004 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – Sendai, 2004. – Vol. 3. – P. 2149–2154.
  22. Dosovitskiy, A., Ros, G., Codevilla, F., et al. CARLA: An Open Urban Driving Simulator // Proceedings of Conference on Robot Learning. – Mountain View, 2017. – P. 1–16.
  23. Han, I., Park, D.H., Kim, K.J. A New Open-Source Off-road Environment for Benchmark Generalization of Autonomous Driving // IEEE Access. – 2021. – Vol. 9. – P. 136 071–136 082.
  24. Let’s go off-road! – URL: https://carla.org/2023/04/21/avl-off-road-simulation (дата обращения: 30.09.2024). [Accessed September 30, 2024.]
  25. Shah, S., Dey, D., Lovett, C., Kapoor, A. Airsim: High-Fidelity Visual and Physical Simulation for Autonomous Vehicles // Proceedings of the 11th International Conference on Field and Service Robotics. – Cham: Springer International Publishing, 2018. – P. 621–635.
  26. Jansen, W., Verreycken, E., Schenck, A., et al. COSYS-AIRSIM: A Real-Time Simulation Framework Expanded for Complex Industrial Applications // Proceedings of 2023 Annual Modeling and Simulation Conference (ANNSIM). – Hamilton, 2023. – P. 37–48.
  27. Richard, A., Kamohara, J., Uno, K., et al. Omnilrs: A Photorealistic Simulator for Lunar Robotics // Proceedings of 2024 IEEE International Conference on Robotics and Automation (ICRA). – Yokohama, 2024. – P. 16 901–16 907.
  28. Jacinto, M., Pinto, J., Patrikar, J., et al. Pegasus Simulator: An Isaac Sim Framework for Multiple Aerial Vehicles Simulation // Proceedings of 2024 International Conference on Unmanned Aircraft Systems (ICUAS). – Chania, 2024. – P. 917–922.
  29. Ellis, K., Zhang, H., Stoyanov, D., Kanoulas, D. Navigation among Movable Obstacles with Object Localization Using Photorealistic Simulation // Proceedings of 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – Huntington Place, 2022. – P. 1711–1716.
  30. Zea, D., Toapanta, A., Perez, V.H. Intelligent and Autonomous Guidance through a Geometric Model for Conventional Vehicles // In: Innovation and Research: A Driving Force for Socio-Econo-Technological Development. – Cham: Springer International Publishing, 2020. – P. 78–93.
  31. Couceiro, M. S., Vargas, P. A., Rocha, R. P. Bridging the Reality Gap between the Webots Simulator and E-puck Robots // Robotics and Autonomous Systems. – 2014. – Vol. 62, no. 10. – P. 1549–1567.
  32. Zhang, C., Maga, A. M. An Open-Source Photogrammetry Workflow for Reconstructing 3D models // Integrative Organismal Biology. – 2023. – Vol. 5, no. 1. – Art no. obad024.
  33. OpenDroneMap + blender = Fun. – URL: https://smathermather.com/2019/12/30/opendronemap-blender-fun-part-2/ (дата обращения: 30.09.2024). [Accessed September 30, 2024].
  34. Амосов О.С., Амосова С.Г., Кулагин К.А. Моделирование виртуального полигона для отработки совместной навигации группы разнородных беспилотных аппаратов // Материалы 34-й конференции памяти выдающегося конструктора гироскопических приборов Н.Н. Острякова (Санкт-Петербург, 2024). – Санкт-Петербург, 2024. – С. 117–120. [Amosov, O.S., Amosova, S.G., Kulagin, K.A. Modelirovanie virtual'nogo poligona dlya otrabotki sovmestnoj navigacii grup-py raznorodnyh bespilotnyh apparatov // Materialy 34-j konferencii pamyati vydayushchegosya konstruktora giroskopiche-skih priborov N.N. Ostryakova (Sankt-Peterburg, 2024). – Saint Petersburg, 2024. – S. 117–120. (In Russian)]
  35. Dobrokvashina, A., Lavrenov, R., Bai, Y., et al. Servosila Engineer Crawler Robot Modelling in Webots Simulator //International Journal of Mechanical Engineering and Robotics Research. – 2022. – Vol. 11, no. 6. – P. 417–421.
  36. Trefilov, P., Kulagin, K., Mamchenko, M. Developing a Flight Mission Simulator in the Context of UAVs Group Control // Proceedings of 2020 13th International Conference “Management of Large-Scale System Sevelopment” (MLSD). – Moscow, 2020. – P. 1–4. – doi: 10.1109/MLSD49919.2020.9247692
  37. Базенков Н.И., Пыжьянов А.А. Система сбора данных для реконструкции движений мотоциклиста // XIV Всероссийское совещание по проблемам управления (ВСПУ-2024): сб. науч. тр. – М.: ИПУ РАН, 2024. – C. 1776–1280. [Bazenkov N.I., Pyzh'janov A.A. Sistema sbora dannyh dlja rekonstrukcii dvizhenij motociklista // XIV Vserossijskoe soveshhanie po problemam upravlenija (VSPU-2024): sb. nauch. tr. – Moscow, 2024. – S. 1776–1780. (In Russian)]

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar


Creative Commons License
Este artigo é disponível sob a Licença Creative Commons Atribuição 4.0 Internacional.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».