亚马逊AWS官方博客

借助 GPU 和容器支持,在 AWS RoboMaker 中运行任何高保真模拟

Original URL: https://thinkwithwp.com/blogs/robotics/run-any-high-fidelity-simulation-in-aws-robomaker-with-gpu-and-container-support/

本博客引用了 AWS RoboMaker 集成式开发环境(IDE),这是一项已弃用的功能。要继续阅读这篇博客,请使用 AWS Cloud9 IDE。请参阅我们更新的博客,了解如何在 AWS Cloud9 中构建和模拟机器人应用程序。

简介

高保真模拟可以为每个对象渲染更多的多边形,这为对象提供了更多细节、更多纹理和更好的照明和阴影,从而使模拟更加逼真。相比不太真实的模拟,在接近现实世界的模拟中,机器人开发人员可以更准确地测试和训练感知模型。通过高保真模拟,还可以生成用于训练机器学习模型的逼真合成图像,从而减少了从现实世界中捕获图像的需求,并加快了模型开发速度。为了支持高保真模拟,AWS RoboMaker 现在支持专为计算密集型工作流设计的基于 GPU 的模拟作业,例如高保真模拟。基于 GPU 的模拟还支持更高的每秒帧数、更灵敏的模拟交互,以及更高的相机和激光扫描仪感应性能。这些功能进一步缩小了模拟与现实世界之间的差距。以前,AWS RoboMaker 模拟作业只能在中央处理器单元(CPU)上运行,现在您可以选择为模拟作业添加 GPU。

此外,AWS RoboMaker 现在使您能够灵活地使用所选的机器人软件和模拟器,从而可以使用 CARLAIgnitionDrakeNvidia Isaac Sim 等模拟器,以及 UnityUnreal Engine 等高保真渲染引擎,在 AWS RoboMaker 中运行模拟。开发人员可以使用 Docker 或类似的构建工具以及所选的模拟器和渲染引擎来构建符合 Open Container Initiative(OCI)要求的容器,将其上传到 Amazon Elastic Container Repository(ECR),然后将其用作模拟应用程序。现在,开发人员可以使用适合其使用案例的机器人软件和模拟器。开发人员仍然可以在机器人应用程序中使用 ROS,包括较旧版本(如 ROS Kinetic),这样就无需升级系统;或者较新版本(如 ROS2 Galactic)。他们也可以运行自定义机器人应用程序,而不使用 ROS。

总而言之,AWS RoboMaker 发布了一些功能,能够提供:

  1. 基于 GPU 的计算 – 使开发人员能够使用 GPU 运行模拟,从而进行高保真模拟、视觉处理和机器学习。
  2. 模拟器选择权 – 使开发人员能够使用任何模拟器在存储于 Amazon Elastic Container Repository(ECR)的容器中运行模拟
  3. 机器人软件的灵活性 – 使开发人员也能够在存储于 ECR 的容器中运行自定义机器人应用程序,或运行自定义 ROS 版本(如较旧的 ROS 发行版)

接下来,我们将演练在 AWS RoboMaker 中使用高保真模拟构建、上传和运行容器的过程。

教程

本教程对三个部分进行了详细说明

  • 第 1 部分 – 构建示例容器
  • 第 2 部分 – 将容器上传到 Amazon Elastic Container Registry(ECR)
  • 第 3 部分 – 使用容器和 GPU 开始 AWS RoboMaker 模拟

先决条件

一个拥有 AWS RoboMaker 和 Amazon ECR 访问权限的 AWS 账户。

第 1 部分 – 构建示例容器

我们要构建和运行的容器基于 CARLA 开源自动驾驶模拟器,该模拟器使用 Unreal Engine 4 制作高保真度图形。

1.1 – 创建开发环境

开始学习本教程时,我们将创建一个 AWS RoboMaker 集成式开发环境(IDE)。在 AWS RoboMaker 菜单中,选择 Development Environments(开发环境),然后选择 Create environment(创建环境)。

将您的环境命名为 carla-env,选择 Foxy(Latest)[Foxy(最新)] 作为 ROS 发行版,选择 m4.xlarge 作为实例类型,然后单击 Create(创建)。

几秒钟后,您应该会看到开发环境出现。

1.2 – 构建容器映像

在开发环境的下部窗口窗格中,使用 bash 终端创建一个名为“carla-examples”的新文件夹。

mkdir carla-examples && cd carla-examples

在开发环境的上部窗口窗格中,创建一个新文件,并将以下内容复制到该文件中:

FROM carlasim/carla:0.9.11
USER root

# 安装依赖项
RUN apt update && \
      apt install -y python3-pip \
      libjpeg-dev \
      libtiff5-dev \
      libomp-dev \
      fontconfig

# 修复 ALSA 错误
RUN echo pcm.!default { type plug slave.pcm "null" } >> /etc/asound.conf

# 安装 NICE DCV(对于 RoboMaker)
RUN apt update -y && apt upgrade -y && apt install -y wget pgp
RUN wget https://d1uj6qtbmh3dt5.cloudfront.net/NICE-GPG-KEY
RUN gpg --import NICE-GPG-KEY
RUN wget https://d1uj6qtbmh3dt5.cloudfront.net/2021.1/Servers/nice-dcv-2021.1-10598-ubuntu1804-x86_64.tgz
RUN tar -xvzf nice-dcv-2021.1-10598-ubuntu1804-x86_64.tgz
RUN apt update && apt install -y ./nice-dcv-2021.1-10598-ubuntu1804-x86_64/nice-dcv-gl_2021.1.937-1_amd64.ubuntu1804.deb \
                                 ./nice-dcv-2021.1-10598-ubuntu1804-x86_64/nice-dcv-gltest_2021.1.275-1_amd64.ubuntu1804.deb

# 安装 opengl 
RUN apt update && apt install -y libglfw3 libglfw3-dev

# 安装 xterm
RUN apt update && apt install -y xterm

# 以用户 carla 身份运行
USER carla

# 安装示例依赖项
RUN python3 -m pip install -U pip
RUN cd ~/PythonAPI/examples && python3 -m pip install -r requirements.txt

# 设置 carla python API 路径
ENV PYTHONPATH=/home/carla/PythonAPI/carla/dist/carla-0.9.11-py3.7-linux-x86_64.egg

ENTRYPOINT ["/bin/bash", "-c"]

将该文件作为 Dockerfile 保存到 carla-examples 文件夹,然后构建容器映像。

sudo docker build -t carla-examples:latest ./

第 2 部分 – 将容器上传到 Amazon Elastic Container Registry(ECR)

2.1 – 在 ECR 中创建存储库来存储容器映像

在 bash 终端中,使用 AWS 命令行界面(CLI)在 ECR 中为我们的容器映像创建存储库。

aws ecr create-repository --repository-name carla-examples

该命令将返回一个包含“repositoryUri”值的 JSON 结构。使用该值登录 ECR。

aws ecr get-login-password | sudo docker login --username AWS --password-stdin <repositoryUri>

您应该会收到 Login Succeeded(登录成功)的响应。

2.2 – 将容器映像上传到 ECR

使用与之前相同的 <repositoryUri> 标记映像。

sudo docker tag carla-examples:latest <repositoryUri>

将映像上传(推送)到 ECR

sudo docker push <repositoryUri>

第 3 部分 – 使用容器和 GPU 开始 AWS RoboMaker 模拟

对于本教程的最后一部分,打开 AWS RoboMaker 控制台的一个选项卡。

在左侧菜单中,选择 Simulation jobs(模拟作业),然后单击 Create simulation job(创建模拟作业)。

Configure simulation(配置模拟)页面上,选择 General(常规)作为机器人软件套件。这是一项支持自定义容器的新功能。

选择 Create new role(创建新角色)和“robomaker-simulation” 作为您的 IAM 角色名称。

对于 Compute type(计算类型),选择 CPU and GPU(CPU 和 GPU)以将 GPU 添加到 RoboMaker 模拟。选择 Next(下一步)继续。

Specify robot application(指定机器人应用程序)屏幕上,为机器人应用程序选择 None(无),然后选择 Next(下一步)继续。

接下来,在 Specify simulation application(指定模拟应用程序)屏幕上,选择 Create new application(创建新应用程序)。

将应用程序命名为“carla-examples-sim”,然后选择 Simulation runtime(模拟运行时)作为模拟软件套件。

选择 Provide a container image for an environment(为环境提供容器映像)。 然后选择 Browse ECR(浏览 ECR)找到您之前创建的容器存储库,并选择最新版本。

对于 Launch command(启动命令),请使用“./CarlaUE4.sh -opengl”,然后选中 Run with streaming session(使用流媒体会话运行)旁边的复选框。

向模拟会话添加两个终端(xterm),这样我们就可以与该会话交互。要添加 xterm,请选择 Customize tools(自定义工具),然后选择 Add tool(添加工具)。

Add tool(添加工具)窗口中,将 Tool name(工具名称)设置为“xterm”,将 Command(命令)设置为“/usr/bin/xterm”。

Exit behavior(退出行为)列表中选择 Restart(重新启动),并在 Output Settings(输出设置)中选择 Enable UI streaming(启用 UI 流式传输)。然后选择 Add tool(添加工具)按钮继续。

重复上面的 Add tool(添加工具)步骤,添加一个名为“xterm2”的第二个终端,使用“/usr/bin/xterm”命令,其余选项与第一个终端相同。

滚动到屏幕底部,选择 Next(下一步)。

最后,在下一个屏幕上检查所有字段是否看起来正确,然后选择 Create(创建)。这将启动您的模拟作业。

启动这项作业需要几分钟时间。创建作业后,单击 Simulation application(模拟应用程序)上的 Connect(连接)按钮查看模拟。

CARLA UE4 应用程序将显示在新的浏览器窗口中。

使用键盘在模拟环境中导航相机视图;“w”是向前移动,“s”是向后移动,“a”是向左移动,“d”是向右移动。

城市模拟一开始空无一物,要向其中添加车辆和行人,请单击 Connect(连接)打开 xterm 应用程序。

在 xterm 窗口中,运行 spawn_npc.py 脚本。选项“-n 50”是要生成的车辆数量,即 50 辆。

python3 PythonAPI/examples/spawn_npc.py -n 50

现在应该有 50 辆车和一些行人在模拟环境中移动。

既然有车辆在移动,我们将在模拟环境中添加一辆可以操控并在城市街道上行驶的汽车。

单击 Connect(连接)打开第二个终端“xterm2”。

在终端中,启动 manual_control.py 脚本,在您控制的模拟环境中生成车辆。

python3 PythonAPI/examples/manual_control.py

此时将出现一个新窗口,其中有一辆汽车准备行驶。拖动窗口并调整大小,使它们并排放置。使用键盘操控汽车;“w”是加速,“a”是左转,“d”是右转,“s”是刹车。

在自动驾驶场景中,您可以添加机器人应用程序作为第二个容器来操控汽车,而不是手动驾驶汽车。通过这种方式,您可以测试您的自动驾驶应用程序。

本教程到此结束,我们讲解了如何在 AWS RoboMaker 中运行 CARLA 自动驾驶模拟器,在城市中添加车辆,以及在模拟环境中驾驶汽车。

结论

在这篇博客中,我们介绍了一些 AWS RoboMaker 功能,凭借这些功能,可以使用任何机器人模拟器和机器人软件来运行基于高保真 GPU 的模拟作业。然后,我们通过一个教程逐步展示了如何使用这些新功能在 AWS RoboMaker 中运行 CARLA 自动驾驶模拟器。要了解有关这些功能的更多信息,请联系我们。(robomaker-bd@amazon.com)

Matt Hansen

Matt Hansen

Matt Hansen 是 Amazon Web Services(AWS)的首席解决方案架构师,专门研究机器人。在加入 AWS 之前,Matt 曾在 Intel 开源机器人团队的 ROS 和 ROS 2 工作过 5 年,负责领导 ROS 2 Navigation2 项目,并且是 ROS 2 技术指导委员会的原始成员。他是俄勒冈州人,拥有波特兰州立大学电气工程硕士学位。