URBAN-SIM: Nowa era autonomicznej mikromobilności w miastach

Roboty dostawcze, wózki inwalidzkie czy skutery mobilne to urządzenia, które rewolucjonizują transport na krótkich dystansach w miastach. Pomimo rosnącej popularności jako elastycznych i ekologicznych alternatyw, w dużej mierze wciąż wymagają one obsługi przez człowieka. To zaś ogranicza ich efektywność operacyjną i podnosi kwestie bezpieczeństwa, zwłaszcza w zatłoczonych przestrzeniach miejskich, pełnych dynamicznych przeszkód, takich jak piesi czy rowerzyści.

Przeszkody na drodze do autonomii

Tradycyjne metody transportu, jak samochody czy autobusy, sprawdzają się na długich dystansach, lecz często zawodzą w kontekście tzw. ostatniej mili. Mikromobilność doskonale wypełnia tę lukę, oferując lekkie i wolno poruszające się urządzenia idealne do krótkich podróży. Jednak pełna autonomia w tej dziedzinie pozostaje wciąż wyzwaniem. Obecne rozwiązania AI często koncentrują się na wąskich zadaniach, takich jak unikanie przeszkód, zamiast kompleksowo radzić sobie ze zróżnicowanym środowiskiem miejskim, obejmującym nierówne nawierzchnie, schody czy gęste tłumy.

Istniejące platformy symulacyjne do szkolenia robotów są zwykle przystosowane do środowisk zamkniętych lub sieci drogowych. Brakuje im jednak kontekstualnego bogactwa i złożoności, które charakteryzują miejskie chodniki, place czy alejki. Jednocześnie te bardziej wydajne często dostarczają uproszczone sceny, nieodpowiednie do głębokiego uczenia w środowiskach z różnorodnymi przeszkodami i nieprzewidywalnymi ruchami pieszych.

URBAN-SIM: nowy standard symulacji

W odpowiedzi na te wyzwania, badacze z Uniwersytetu Kalifornijskiego w Los Angeles oraz Uniwersytetu Waszyngtońskiego opracowali URBAN-SIM – skalowalną i wysoce realistyczną platformę symulacyjną, stworzoną specjalnie z myślą o badaniach nad autonomiczną mikromobilnością.

URBAN-SIM wyróżnia się trzema kluczowymi cechami. Po pierwsze, wykorzystuje hierarchiczne generowanie scen miejskich, które proceduralnie tworzy nieskończenie różnorodne i wielkoskalowe środowiska miejskie – od całych bloków ulicznych po szczegółowe cechy terenu, takie jak chodniki, rampy, schody czy nierówne nawierzchnie. Dzięki temu platforma zapewnia realistyczne i zróżnicowane środowisko do szkolenia robotów.

Po drugie, URBAN-SIM oferuje interaktywną symulację dynamicznych agentów. Platforma symuluje reagujących pieszych, rowerzystów i pojazdy w czasie rzeczywistym, wykorzystując procesory graficzne. Umożliwia to złożone interakcje wielu agentów, które naśladują prawdziwą dynamikę miejską. Po trzecie, asynchroniczne próbkowanie scen pozwala na skalowalne szkolenie. Umożliwia równoległe szkolenie agentów AI w setkach unikalnych i złożonych scen miejskich na pojedynczym procesorze graficznym, co znacząco przyspiesza proces i sprzyja zwiększaniu odporności polityki działania robotów.

Platforma URBAN-SIM, zbudowana w oparciu o NVIDIA Omniverse i silnik fizyki PhysX, łączy realistyczne renderowanie wizualne z precyzyjną fizyką, co pozwala na autentyczne szkolenie wcielonej sztucznej inteligencji.

URBAN-BENCH: kompleksowy zestaw testowy

Uzupełnieniem URBAN-SIM jest URBAN-BENCH – pakiet zadań i framework testowy, który odzwierciedla kluczowe możliwości autonomicznej mikromobilności, uwzględniając rzeczywiste scenariusze użytkowania miejskiego. URBAN-BENCH obejmuje zadania związane z lokomocją miejską, takie jak poruszanie się po płaskich powierzchniach, pochyłościach, schodach czy trudnym terenie, aby zapewnić stabilny i efektywny ruch robota.

Kolejnym elementem są zadania nawigacji miejskiej, wymagające poruszania się po wyraźnych ścieżkach, unikania statycznych przeszkód (np. ławki, kosze na śmieci) oraz dynamicznych przeszkód (jak poruszający się piesi i rowerzyści). Wartością dodaną jest test urban traverse – wymagająca, kilometrowa podróż, łącząca złożone tereny, przeszkody i dynamiczne agenty, zaprojektowana w celu testowania nawigacji na długim dystansie i podejmowania decyzji.

Współpraca człowiek-AI i efektywność

Dla zadań długodystansowych, URBAN-BENCH wprowadza model współdzielonej autonomii człowiek-AI. Elastyczna architektura sterowania rozkłada system kontroli robota na warstwy – podejmowanie decyzji wysokiego poziomu, nawigację średniego poziomu i lokomocję niskiego poziomu. Pozwala to na interwencję człowieka w złożonych lub ryzykownych scenariuszach, jednocześnie umożliwiając AI zarządzanie rutynową nawigacją i ruchem. Ta współpraca równoważy bezpieczeństwo i wydajność w dynamicznych warunkach miejskich.

URBAN-SIM i URBAN-BENCH wspierają szeroki zakres platform robotycznych, w tym roboty kołowe, czworonożne, kołowo-nogowe oraz humanoidalne. Przeprowadzone testy ujawniają unikalne mocne i słabe strony każdego typu robota w zadaniach lokomocji i nawigacji, co ilustruje ogólną zdolność adaptacji platformy. Przykładowo, roboty czworonożne wykazują się stabilnością i znakomicie radzą sobie na schodach, podczas gdy roboty kołowe najlepiej sprawdzają się na płaskich ścieżkach. Z kolei roboty kołowo-nogowe czerpią korzyści z ich hybrydowej konstrukcji, dostosowując się do różnorodnych terenów, a roboty humanoidalne efektywnie poruszają się w wąskich, zatłoczonych przestrzeniach miejskich, wykorzystując uniki.

Strategia asynchronicznego próbkowania scen umożliwia szkolenie w różnorodnych scenach miejskich, wykazując poprawę wydajności o 26,3% w porównaniu z synchronicznymi metodami szkoleniowymi. Zwiększona różnorodność środowisk treningowych bezpośrednio przekłada się na wyższe wskaźniki sukcesu w zadaniach nawigacyjnych, podkreślając wagę szeroko zakrojonych i zróżnicowanych symulacji dla stworzenia solidnej autonomicznej mikromobilności.

Przyszłość mikromobilności

URBAN-SIM i URBAN-BENCH stanowią kluczowe kroki w kierunku bezpiecznej, efektywnej i skalowalnej autonomicznej mikromobilności w złożonych środowiskach miejskich. Dalsze prace badawcze będą koncentrować się na połączeniu symulacji z rzeczywistym wdrożeniem poprzez integrację z ROS 2 i techniki transferu z symulacji do rzeczywistości. Platforma będzie również ewoluować, aby uwzględnić możliwości multimodalnej percepcji i manipulacji, niezbędne do kompleksowych zastosowań robotów miejskich, takich jak dostarczanie paczek czy robotyka wspomagająca.

Umożliwienie skalowalnego szkolenia i testowania wcielonych agentów AI w autentycznych scenariuszach miejskich przyczynia się do postępu w autonomicznej mikromobilności, promując zrównoważony rozwój miast, zwiększając dostępność i poprawiając bezpieczeństwo w przestrzeniach publicznych.