Technische Samenvatting: SceneFactory

Probleemstelling

Autonome rij-simulatoren staan voor een fundamentele afweging tussen fysieke fideliteit en schaalbare parallelisatie. Bestaande platformen beslaan doorgaans slechts één kant van dit spectrum:

• Fysiek-gebaseerde platformen (bijv. CARLA, MetaDrive) bieden gearticuleerde voertuigdynamica, contact en vering, maar vertrouwen op niet-gevectoriseerde, CPU-bepaalde besturingsinterfaces. Dit maakt grootschalige batch-training moeilijk door doorvoerbottlenecks die worden veroorzaakt door Python-lussen per agent.
• GPU-batchsystemen (bijv. Waymax, GPUDrive) bereiken een hoge doorvoer door honderden scenario's parallel op één GPU uit te voeren. Ze vervangen echter starre-lichaamfysica door vereenvoudigde kinematische modellen (bijv. fietsmodellen), waarbij kritieke dynamica zoals band-weginteractie, veringscompliance, contactkrachten en wrijving afhankelijk van de wegconditie worden weggelaten.

Deze kloof is kritiek omdat veiligheidskritieke gedragingen (remmen, bochten nemen) direct worden gevormd door starre-lichaam-dynamica en omgevingsfactoren zoals door weer veroorzaakte wrijvingsveranderingen. Huidige simulatoren missen óf de schaal voor efficiënte versterkende leerling (RL) óf de fysica die vereist is voor een geldige veiligheidsevaluatie onder ongunstige omstandigheden.

Methodologie

SceneFactory wordt geïntroduceerd als een GPU-gevectoriseerd platform dat procedurale scèneconstructie, fysiek-gebaseerde multi-agent simulatie en RL-training verenigt. Gebouwd op NVIDIA Isaac Sim en Isaac Lab, behandelt het werelden en agenten als gebatchte tensoren, waarbij besturing, observaties, beloningen en beleidsinferentie worden uitgevoerd als GPU-tensorbewerkingen.

Kerncomponenten

1. Procedurale Scèneconstructie:

   • Converteert Waymo Open Motion Dataset wegtopologieën naar simulatie-klaar USD (Universal Scene Description)-omgevingen.
   • Een offline pipeline extrahert weg-polylijnen en agent-metadata, centreert coördinaten opnieuw, plat de hoogte af tot een 2D-vlak ($z=0$) en genereert georiënteerde doossegmenten.
   • Deze geometrieën worden gebakken in GPU-tensoren, waardoor gebatchte queries voor baan-nabijheid mogelijk zijn zonder toegang tot de USD-hiërarchie tijdens de simulatielus.

2. Tensor-gevectoriseerde Interface voor Gearticuleerde Voertuigen:

   • In plaats van het ingebouwde PhysX-voertuigmodel van Isaac Sim te gebruiken (dat de toestand buiten de tensor-pipeline beheert), maakt SceneFactory gebruik van een aangepast 10-DOF gearticuleerd star lichaam.
   • Het voertuig bestaat uit een chassis, prismatische veringsgewrichten, roterende stuurgewrichten en wiel-spin-gewrichten.
   • Systeemidentificatie: Een vijftraps Cross-Entropy-methode (CEM) kalibreert 20 instelbare dynamische parameters (koppel, PD-winsten, veringsstijfheid, enz.) tegen een "leraar"-model (het ingebouwde PhysX-voertuig) over 139 scripted manoeuvres. Dit zorgt ervoor dat het vereenvoudigde gearticuleerde model de fideliteit van het gevalideerde leraar-model behoudt.
   • Alle gewrichtstoestanden, actuaties en contactmaterialen zijn toegankelijk als GPU-tensoren, waardoor Python-besturingslussen per agent worden geëlimineerd.

3. Weer-naar-Wrijvingsmodule:

   • Implementeert een fysiek-gebaseerd Modified Average Lumped LuGre (ALL)-model om neerslag en wegoppervlaktype af te beelden op PhysX-materiaalwrijvingscoëfficiënten.
   • Het model houdt rekening met asfalttextuur en waterfilmdikte ($h_w$) om effectieve wrijving ($\mu$) te berekenen bij gedeeltelijk hydroplaning.
   • Wrijvingsvariatie wordt aan het beleid gecommuniceerd via een 4-dimensionale weer-observatievector ($h_w$ en one-hot oppervlaktype), waardoor agenten hun gedrag kunnen conditioneren op het huidige wrijvingsregime.

4. Simulatiepijplijn:

   • Ondersteunt tot 256 onafhankelijke werelden op één GPU, met maximaal 16 agenten per wereld.
   • De fysica draait op 120 Hz (4 sub-stappen), terwijl het besturingsbeleid optreedt op 30 Hz.
   • De volledige trainingslus (observatieverzameling, inferentie, fysica-stappen, beloningsberekening) draait on-device met behulp van de Isaac Lab tensor-API.

Belangrijkste Bijdragen

1. Procedurale Pijplijn: Een methode om Waymo-scenario's om te zetten in GPU-geparalleliseerde multi-wereld Isaac Sim-stages, gevuld met multi-agent gearticuleerde PhysX-voertuigen.
2. Tensor-gevectoriseerde Interface: Een nieuwe interface die besturing, toestandsqueries, observaties, beloningen, resets en beleidsinferentie batcht over werelden en agenten, waardoor de CPU/Python-bottleneck wordt verwijderd.
3. Fysiek-gebaseerde Weermodellering: Een module die dynamisch weersomstandigheden afbeeldt op PhysX-materiaalparameters, waardoor training mogelijk is onder realistische wegoppervlakcondities.
4. Empirische Validatie: Demonstratie van simulatie met hoge doorvoer met volledige starre-lichaam-dynamica, inclusief systeemidentificatie en analyse van cross-simulator-overdracht.

Resultaten

Experimenten werden uitgevoerd op één NVIDIA RTX PRO 6000 Blackwell GPU (96 GB VRAM).

• Doorvoer: SceneFactory bereikt 19.250 Controlled-Agent Simulation Steps Per Second (CASPS) op een schaal van 256 werelden $\times$ 16 agenten. Dit vertegenwoordigt een 127$\times$ versnelling ten opzichte van een niet-gevectoriseerde PhysX-baseline (met dezelfde GPU en solver) en schaalt bijna lineair met het aantal werelden.
• Navigatieprestaties: Een PPO-beleid getraind op 128 Waymo-topologieën behaalde een 80,1% doel-bereikpercentage op 64 terughoudende testscènes (624 agenten).
• Fysiek-Kloofanalyse (Cross-Evaluatie):
  • Beleid getraind op het vereenvoudigde kinematische fietsmodel behaalde 100% succes in hun native omgeving, maar stortte in naar 47,3% bij overdracht naar de PhysX-omgeving.
  • Omgekeerd werd beleid getraind op de PhysX-omgeving overgebracht naar het fietsmodel met 99,5% succes.
  • Deze asymmetrie bevestigt dat het lagere succespercentage in PhysX het gevolg is van de verhoogde moeilijkheid van volledige starre-lichaam-dynamica (zijdelingse slip, vering) en niet van artefacten van de scèneselectie.
• Wrijvingsconditionering:
  • Een wrijvingsbewust beleid (getraind met 10% blootstelling aan natte werelden) verbeterde de doel-bereiksuccespercentages niet significant ten opzichte van een wrijvingsblind baseline (80,1% vs. 77,9% op droog asfalt).
  • Echter, onder matig natte omstandigheden verminderde het wrijvingsbewuste beleid de gemiddelde piek Deceleration Rate to Avoid Crash (DRAC) van 58,7 m/s² naar 27,8 m/s², wat aantoont dat het beleid leerde om zachter te remmen onder verminderde tractie, zelfs als het de algehele navigatiesucces in het geteste regime niet verbeterde.

Betekenis en Claims

Het artikel stelt dat schaalbare training voor autonoom rijden niet hoeft te ontraden aan gearticuleerde starre-lichaam-dynamica of fysisch onderbouwde variatie in wegcondities. SceneFactory demonstreert dat het mogelijk is om weggeometrie afgeleid van datasets, PhysX-gearticuleerde voertuigen en weerbewuste wrijvingsmodellering te combineren binnen één GPU-gevectoriseerd raamwerk.

De auteurs positioneren SceneFactory als een hulpmiddel voor veiligheidskritieke analyse waar fysieke fideliteit belangrijk is, zoals het evalueren van rijbeleid onder ongunstige wegcondities (bijv. natte wegen, hydroplaning). Hoewel beperkingen worden erkend (bijv. $z$-geflattende geometrie, uniforme wrijving per wereld en bescheiden succespercentages in vergelijking met kinematische simulatoren), legt het werk een nieuwe basislijn vast voor high-throughput, fysisch onderbouwde multi-agent simulatie. Het artikel merkt expliciet op dat het gebrek aan verbetering in het succespercentage van het wrijvingsbewuste beleid een negatief resultaat is dat wordt toegeschreven aan onvoldoende blootstelling aan natte werelden en grove evaluatiemetrics, en niet aan een falen van het simulatieplatform zelf.