Roboter in einer simulierten Umgebung systematisch zu vergleichen hat viele Vorteile. Die gleichen Ansätze und Lösungen können meist ohne erheblichen Mehraufwand an einer Reihe verschiedener Roboter getestet werden.
Genauso einfach kann die Umgebung oder das Szenario ausgetauscht werden, in dem der Vergleich erfolgt. Somit lässt sich Benchmarking in verschiedenen Umgebungen und Szenarien sowie mit unterschiedlichen Robotern und Ansätzen problemlos realisieren. Je näher die Simulationen der Wirklichkeit kommen, desto besser können diese auch auf physische Roboter übertragen werden. Diese Lücke zwischen Simulation und Realität („Sim2Real“) auf verschiedenen Ebenen, wie z.B. Darstellung, Latenz und Motoransprechverhalten, ist ein aktives Forschungsthema in der Robotik.
Physikalische Simulation
Physikalische Simulationen sind ein wesentlicher Bestandteil der Entwicklung von Robotikkonzepten. Der Einsatz von Robotersimulationen hat zahlreiche Vorteile: Forschende, die keinen Zugang zu teuren Robotern haben, können beispielweise ihre Entwürfe virtuell testen. Außerdem können Ansätze in der Simulation getestet werden, bevor sie auf physische Plattformen angewendet werden, wodurch das Risiko einer Beschädigung des Roboters oder der Umwelt verringert wird.
Im Vergleich zu physischen Roboterplattformen ermöglichen Simulationen ein schnelleres Testen und Lernen. Erreicht wird dies durch beschleunigte Physiksimulationen und die Möglichkeit, Simulationen massiv zu parallelisieren, wodurch sie wesentlich ressourceneffizienter sind als physische Roboterplattformen.
Simulationssysteme
Da die Robotersimulation nach wie vor eine wichtige Grundlage für die Robotikforschung darstellt, wurden bereits zahlreiche Simulationssysteme entwickelt. Die folgende Auflistung liefert einen Überblick, über die am häufigsten verwendeten Simulatoren:
MuJoCo [1] ist ein Simulator, der mit dem Schwerpunkt auf modellbasierter Steuerung entwickelt wurde und von der modellbasierten Forschung, wie z.B. der Reinforcement-Learning-Community, weithin genutzt wird. Eine universell einsetzbare Physik-Engine ermöglicht die flexible Gestaltung verschiedener Agenten, die in Bereichen wie Robotik, Biomechanik und maschinellem Lernen eingesetzt werden können.
Gazebo [2] wird weitgehend von der anwendungsorientierten Robotikforschung genutzt. Es ist eng mit dem ROS-Ökosystem verknüpft und erfordert daher keinen großen Overhead bei der Simulationsintegration.
PyBullet [3] ist eine Simulation für Robotik und maschinelles Lernen mit dem Schwerpunkt auf dem Transfer von Simulation zu Realität.
V-REP (jetzt CoppeliaSim) [4] verfolgt einen verteilten modularen Ansatz für die Robotersimulation. Auch Game-Engines wie Unity [5] oder die Unreal Engine können für Robotersimulationen genutzt werden. Einige Simulationen, wie der CARLA Simulator [6], haben einen Aufgabenspezifischen Schwerpunkt. In diesem Beispiel das autnomone Fahren.
Kürzlich wurde Isaac Sim als hochgradig parallelisierter GPU-basierter Robotiksimulator vorgestellt und bereits weit verbreitet. Der Simulator nutzt eine NVIDIA GPU-beschleunigte Physik-Engine, um Hunderte bis Tausende von Robotern zu simulieren und zu trainiern.
Referenzen
[1] E. Todorov, T. Erez, Y. Tassa, “Mujoco: A physics engine for model-based control,” in 2012 IEEE/RSJ international conference on intelligent robots and systems, IEEE, 2012, S. 5026–5033.
[2] N. Koenig, A. Howard, “Design and use paradigms for gazebo, an open-source multi-robot simulator,” in 2004 IEEE/RSJ international conference on intelligent robots and systems (IROS)(IEEE Cat. No. 04CH37566), Ieee, vol. 3, 2004, S. 2149–2154.
[3] J. Collins, S. Chand, A. Vanderkop, D. Howard, “A Review of Physics Simulators for Robotic Applications,” IEEE Access, vol. 9, S. 51 416–51 431, 2021, ISSN: 2169-3536.
[4] M. Freese, S. Singh, F. Ozaki, N. Matsuhira, “Virtual robot experimentation platform v-rep: A versatile 3d robot simulator,” in Simulation, Modeling, and Programming for Autonomous Robots: Second International Conference, SIMPAR 2010, Darmstadt, Germany, November 15-18, 2010. Proceedings 2, Springer, 2010, S. 51– 62.
[5] A. Juliani, V. Berges, E. Vckay, Y. Gao, H. Henry, M. Mattar, D. Lange, “Unity: A general platform for intelligent agents,” CoRR, vol. abs/1809.02627, 2018. arXiv: 1809.02627. [Online]. Verfügbar: http://arxiv.org/abs/1809.02627. [Abruf Oktober 29, 2024].
[6] A. Dosovitskiy, G. Ros, F. Codevilla, A. Lopez, V. Koltun, “CARLA: An open urban driving simulator,” in Proceedings of the 1st Annual Conference on Robot Learning, 2017, S. 1–16.
Weiterführende Quellen
MuJoCo: https://mujoco.readthedocs.io/en/stable/overview.html
Gazebo: https://gazebosim.org/home
PyBullet: https://pybullet.org/wordpress/
Coppelia Robotics (ehemals V-REP): https://www.coppeliarobotics.com/
Unity: https://unity.com/de
Unreal Engine: https://www.unrealengine.com/de
CARLA Simulator: https://carla.org/
Isaac Sim: https://developer.nvidia.com/isaac/sim
