Resumo Técnico: SceneFactory

Declaração do Problema

Simuladores de condução autónoma enfrentam um compromisso fundamental entre fidelidade física e paralelismo escalável. Plataformas existentes geralmente ocupam apenas um lado deste espectro:

• Plataformas baseadas em física (por exemplo, CARLA, MetaDrive) oferecem dinâmicas de veículos articulados, contacto e suspensão, mas dependem de interfaces de controlo não vetorizadas e limitadas à CPU. Isso torna o treino em lote de grande escala difícil devido a gargalos de throughput causados por loops Python por agente.
• Sistemas em lote GPU (por exemplo, Waymax, GPUDrive) alcançam alto throughput executando centenas de cenários em paralelo numa única GPU. No entanto, substituem a física de corpos rígidos por modelos cinemáticos simplificados (por exemplo, modelos de bicicleta), omitindo dinâmicas críticas como interação pneu-estrada, conformidade da suspensão, forças de contacto e atrito dependente das condições da estrada.

Esta lacuna é crítica porque comportamentos críticos para a segurança (frenagem, travagem em curva) são diretamente moldados por dinâmicas de corpos rígidos e fatores ambientais como alterações de atrito induzidas pelo clima. Simuladores atuais ou carecem de escala para aprendizagem por reforço (RL) eficiente ou carecem da física necessária para avaliação válida de segurança em condições adversas.

Metodologia

O SceneFactory é introduzido como uma plataforma vetorizada em GPU que unifica a construção procedural de cenas, a simulação multi-agente baseada em física e o treino de RL. Construído sobre o NVIDIA Isaac Sim e o Isaac Lab, trata mundos e agentes como tensores em lote, executando controlo, observações, recompensas e inferência de políticas como operações de tensores GPU.

Componentes Principais

1. Construção Procedural de Cenas:

   • Converte topologias rodoviárias do Waymo Open Motion Dataset em ambientes USD (Universal Scene Description) prontos para simulação.
   • Um pipeline offline extrai polilinhas rodoviárias e metadados de agentes, realinha coordenadas, achata a elevação para um plano 2D ($z=0$) e gera segmentos de caixa orientados.
   • Estas geometrias são assadas em tensores GPU, permitindo consultas em lote de proximidade de faixa sem aceder à hierarquia USD durante o loop de simulação.

2. Interface de Veículo Articulada Vetorizada em Tensor:

   • Em vez de usar o modelo de veículo PhysX integrado do Isaac Sim (que gerencia o estado fora do pipeline de tensores), o SceneFactory emprega um corpo rígido articulado de 10 DOF personalizado.
   • O veículo consiste num chassi, juntas de suspensão prismáticas, juntas de direção rotativas e juntas de rotação das rodas.
   • Identificação de Sistema: Um método de Entropia Cruzada (CEM) de cinco estágios calibra 20 parâmetros dinâmicos ajustáveis (torques, ganhos PD, rigidez da suspensão, etc.) contra um modelo "professor" (o veículo PhysX integrado) através de 139 manobras scriptadas. Isso garante que o modelo articulado simplificado mantenha a fidelidade do modelo professor validado.
   • Todos os estados das juntas, atuação e materiais de contacto são acessíveis como tensores GPU, eliminando loops de controlo Python por agente.

3. Módulo Clima-Atrito:

   • Implementa um modelo físico baseado em LuGre Lumped Médio Modificado (ALL) para mapear precipitação e tipo de superfície rodoviária para coeficientes de atrito de materiais PhysX.
   • O modelo considera a textura do pavimento e a espessura do filme de água ($h_w$) para calcular o atrito efetivo ($\mu$) sob aquaplanagem parcial.
   • A variação de atrito é comunicada à política através de um vetor de observação climática de 4 dimensões ($h_w$ e tipo de superfície one-hot), permitindo que os agentes condicionem o seu comportamento ao regime de atrito atual.

4. Pipeline de Simulação:

   • Suporta até 256 mundos independentes numa única GPU, com até 16 agentes por mundo.
   • A física executa a 120 Hz (4 sub-passos), enquanto a política de controlo atua a 30 Hz.
   • Todo o loop de treino (recolha de observações, inferência, passos de física, cálculo de recompensas) executa no dispositivo usando a API de tensores do Isaac Lab.

Contribuições Principais

1. Pipeline Procedural: Um método para converter cenários Waymo em estágios Isaac Sim multi-mundo paralelizados em GPU populados com veículos PhysX articulados multi-agente.
2. Interface Vetorizada em Tensor: Uma interface inovadora que agrupa em lote controlo, consultas de estado, observações, recompensas, reinícios e inferência de políticas através de mundos e agentes, removendo o gargalo CPU/Python.
3. Modelagem de Clima Baseada em Física: Um módulo que mapeia dinamicamente condições climáticas para parâmetros de materiais PhysX, permitindo treino através de condições realistas de superfície rodoviária.
4. Validação Empírica: Demonstração de simulação de alto throughput com dinâmicas completas de corpos rígidos, incluindo identificação de sistema e análise de transferência entre simuladores.

Resultados

Os experimentos foram conduzidos numa única GPU NVIDIA RTX PRO 6000 Blackwell (96 GB VRAM).

• Throughput: O SceneFactory alcança 19.250 Passos de Simulação de Agente Controlado por Segundo (CASPS) numa escala de 256 mundos $\times$ 16 agentes. Isso representa um aceleramento de 127$\times$ sobre uma linha de base PhysX não vetorizada (usando a mesma GPU e solver) e escala quase linearmente com o número de mundos.
• Desempenho de Navegação: Uma política PPO treinada em 128 topologias Waymo alcançou uma taxa de alcance de objetivo de 80,1% em 64 cenas de teste retidas (624 agentes).
• Análise de Lacuna Física (Avaliação Cruzada):
  • Políticas treinadas no modelo de bicicleta cinemático simplificado alcançaram 100% de sucesso no seu ambiente nativo, mas colapsaram para 47,3% quando transferidas para o ambiente PhysX.
  • Por outro lado, políticas treinadas no ambiente PhysX transferiram-se para o modelo de bicicleta com 99,5% de sucesso.
  • Esta assimetria confirma que a menor taxa de sucesso no PhysX deve-se à dificuldade aumentada das dinâmicas completas de corpos rígidos (deslizamento lateral, suspensão) e não a artefactos de seleção de cena.
• Condicionamento de Atrito:
  • Uma política consciente do atrito (treinada com 10% de exposição a mundos molhados) não melhorou significativamente as taxas de sucesso de alcance de objetivo em comparação com uma linha de base cega ao atrito (80,1% vs. 77,9% em asfalto seco).
  • No entanto, sob condições moderadamente molhadas, a política consciente do atrito reduziu a Taxa Média de Desaceleração para Evitar Acidente (DRAC) de pico de 58,7 m/s² para 27,8 m/s², demonstrando que a política aprendeu a travar mais suavemente sob tração reduzida, mesmo que não tenha melhorado o sucesso geral de navegação no regime testado.

Significado e Alegações

O artigo afirma que o treino escalável de condução autónoma não precisa descartar dinâmicas de corpos rígidos articulados ou variação de condições rodoviárias fundamentada fisicamente. O SceneFactory demonstra que é possível combinar geometria rodoviária derivada de conjuntos de dados, veículos articulados PhysX e modelagem de atrito consciente do clima num único framework vetorizado em GPU.

Os autores posicionam o SceneFactory como uma ferramenta para análise crítica para a segurança onde a fidelidade física importa, como avaliar políticas de condução em condições rodoviárias adversas (por exemplo, estradas molhadas, aquaplanagem). Embora reconheça limitações (por exemplo, geometria achatada em $z$, atrito uniforme por mundo e taxas de sucesso modestas em comparação com simuladores cinemáticos), o trabalho estabelece uma nova linha de base para simulação multi-agente fundamentada em física e de alto throughput. O artigo nota explicitamente que a falta de melhoria na taxa de sucesso da política consciente do atrito é um resultado negativo atribuído à exposição insuficiente a mundos molhados e métricas de avaliação grosseiras, e não a uma falha da própria plataforma de simulação.