Microsoft étend l'environnement de formation basé sur la réalité virtuelle pour les drones afin d'inclure les voitures autonomes

La réalité virtuelle n'est pas seulement bonne pour la formation des humains. En raison de la fidélité accrue des environnements de jeu, ils sont maintenant assez bons pour former même des robots.

Nous avons parlé en février d'une nouvelle plate-forme appelée AirSim par Microsoft Research conçu pour aider les développeurs de drones à construire facilement des systèmes autonomes et robotiques. Leur nouvelle plate-forme d'informatique et de robotique aérienne a fourni une simulation et des outils réalistes aux concepteurs et aux développeurs pour générer de manière transparente les grandes quantités de données de formation dont ils ont besoin. Il utilise les progrès du calcul et des graphiques, incorporant la physique et la perception, pour créer des simulations précises et réelles.

Maintenant, Microsoft a élargi l'outil pour aider également à la formation d'ordinateurs autonomes à conduite autonome.

La nouvelle version d'AirSim comprend des simulations de voitures, de nouveaux environnements, des API pour faciliter la programmation et des scripts prêts à l'emploi pour démarrer vos recherches. La simulation de l'environnement de type GTA signifie moins de besoin de construire des plates-formes matérielles coûteuses, fournit de grandes quantités de données et la possibilité de tester et de comparer rapidement les résultats et ouvre la recherche à un plus large éventail de développeurs et de chercheurs disposant de moins de ressources.

AirSim est livré avec un environnement urbain 3D détaillé qui comprend une variété de conditions diverses, y compris des feux de circulation, des parcs, des lacs et des chantiers de construction. Les utilisateurs peuvent tester leurs systèmes dans plusieurs types de quartiers, y compris le centre-ville, les environnements semi-urbains, végétaux et industriels. La simulation contient plus de 12 kilomètres de routes praticables couvrant plus de 20 pâtés de maisons.

AirSim a été développé en tant que plugin pour Unreal Engine, un outil populaire pour le développement de jeux. Cela signifie que la simulation de voiture est découplée de l'environnement dans lequel elle fonctionne. Vous pouvez créer un environnement pour vos besoins spécifiques, comme une ville ou une route rurale, ou choisir parmi une variété d'environnements disponibles en ligne, puis simplement déposer l'AirSim plugin pour tester vos algorithmes de conduite autonome dans cet environnement. L'extensibilité d'AirSim permet également aux chercheurs et aux développeurs d'intégrer de nouveaux capteurs, véhicules ou même d'utiliser différents moteurs physiques.

AirSim fournit des API pouvant être utilisées dans une grande variété de langages, notamment C++ et Python. Cela facilite l'utilisation d'AirSim avec diverses chaînes d'outils d'apprentissage automatique. Par exemple, vous pouvez utiliser Microsoft Cognitive Toolkit (CNTK) avec AirSim pour effectuer un apprentissage par renforcement en profondeur.

La dernière version est maintenant disponible sur GitHub en tant qu'offre multiplateforme open source. Microsoft a également rendu AirSim disponible sous forme de version binaire compilée, ce qui signifie que vous pouvez maintenant télécharger et commencer à appeler ses API Python pour contrôler le véhicule en quelques minutes.

La version mise à jour d'AirSim comprend également de nombreuses autres fonctionnalités et améliorations, notamment des outils supplémentaires pour tester les véhicules en vol. Microsoft a facilité la simulation de drones volants en ajoutant un contrôleur de vol intégré, appelé simple_flight, qui simplifie le processus de configuration. Cela permet une expérimentation rapide avec des algorithmes de contrôle et d'estimation d'état sans nécessiter de débogage et de développement coûteux dans le monde embarqué.

Dans les prochaines versions, Microsoft espère ajouter de nouveaux capteurs, une meilleure physique des véhicules, une modélisation météorologique et des environnements réalistes encore plus détaillés.

En savoir plus sur le projet sur Github ici.