ゲーム

Unreal Engineを利用したシミュレーションによるロボットの学習の高速化

AirSimはUnreal Engine 4のプラグインであるため、ユーザーは独自の風景や車両を構築することができます。これらの合成的に生成された画像は、実世界のデータだけで可能なものよりも、何桁も多くの知覚データや制御データを生成することができます。

吉田拓史

2021年2月10日 — 4 min read

今日のAIの話をするとき、おそらく最も一般的な方法論は、教師あり学習と呼ばれるものです。教師あり学習では、これらのアルゴリズムがどのように機能するかというと、多くのデータがあり、そのデータにラベルがあり、基本的にアルゴリズムがどのように重みを調整すべきかを教えてくれます。

次に、教師なし学習がありますが、これはもう一方の極端なもので、大量のデータを手に入れることができますが、ラベルはあまりなく、アルゴリズムはそれを理解しなければなりません。そして、半教師付き学習がありますが、これは中間に位置していて、データがあって、機械が何かを計算してくれます。これらの方法は、ある種の問題に対して非常にうまく機能しています。

例えば、新しい言語をピックアップして訓練するために音声スタックを使うとしたら、それは非常に簡単です。何千時間ものラベル付けされたデータがあれば、これらのアルゴリズムは非常に洗練されていて、あるレベルのパフォーマンスまで学習することができます。しかし、現実世界に存在する問題で起こることは、データを取得することが非常に難しいか、あるいはその中で操作するために必要なすべてのデータを取得することがほぼ不可能に近いということです。

強化学習はAIへのもう一つのアプローチで、基本的には現実世界で実際に行動を起こすことで学習し、行動を起こすたびに賢くなるというものです。ある意味では、このモデルは人間の学習方法と同じです。実際にどのように実装されているかというと、状態があり、そして、その時点で次の行動を取ると、報酬が返ってくる。そして、このループを繰り返して...最終的にそれを理解します。

ダイナミックに変化し続ける環境において、環境との相互作用を通して、何らかの形でシステム内部に意思決定を下すための環境の記述を構築する必要があります。このようなシステムの代表は実時間での意思決定問題を扱わなければならないロボットです。ここには自動車も含みます。ロボットの学習法としては、種々のアプローチが提案されていますが、最近、反射的かつ適応的な行動を獲得できる手法として、強化学習が注目を浴びています。

Microsoft ResearcのAirSimは、AIやロボットシステムのためのリアルに近いシミュレーションを目指しています。一言で言えば、ソフトウェアが遊んでいるビデオゲームです。ゲームは、現実に近い環境で動作するロボットエージェントで構成されています。この意思決定の問題を解決するのに強化学習や模倣学習が用いられます。自律的なエージェントとしては、意思決定をする必要がありますが、意思決定は今だけではなく、将来の結果も考慮する必要があります。

AirSim は、Epic GamesのUnreal Engine 4 エディターのプラグインとして動作し、建物の環境を制御したり、再現が困難な実世界のイベントをシミュレートしたりして、AI モデルのために意味のあるデータを取得します。

機械学習の重要な課題の1つは、大規模なデータセットの必要性であり、有用な行動を学習するために必要なデータ量は法外に多くなる可能性があります。また、新しいロボットシステムは訓練段階では動作しないことが多いため、実世界での実験による開発やデバッグ段階では、予測不可性に直面することになります。

AirSimはトレーニングのための大規模なデータセットの必要性と、シミュレータでのデバッグ機能の2つの課題を解決します。AirSimは、設計者や開発者が必要とする量のトレーニングデータをシームレスに生成するためのリアルなシミュレーションツールを提供します。さらに、AirSimは、現在のゲームエンジンのレンダリング、物理学、知覚計算を活用して、正確な実世界のシミュレーションを作成します。これにより、効率的に生成されたグラウンドトゥルース（Ground Truth）データに基づいたこのリアリズムにより、現実世界では時間がかかったりリスクを伴う複雑なミッションの研究と実行が可能になります。例えば、シミュレータでの衝突は、実質的には何のコストもかかりませんが、システムの設計を改善するための実用的な情報を提供します。

AirSimは空撮ドローンのサポートで立ち上げられ、精密農業、病原体監視、気象監視などのアプリケーションに使用されています。これらは一般的にカメラを使って世界を知覚し、ミッションを計画して実行するシステムです。

このプラットフォームは、環境のリアルなレンダリングを使用することで、カメラやその他の知覚システムのシームレスなトレーニングとテストを可能にします。これらの合成的に生成された画像は、実世界のデータだけで可能なものよりも、何桁も多くの知覚データや制御データを生成することができます。必要に応じて、赤外線などのカスタムセンサーを使用することも可能です。

AirSimは発表以来、自律走行車やさまざまな車輪付きロボット、さらにはカメラトラップや表情認識などの静的なIoTデバイスまでもサポートするまでに成長しました。AirSimはUnreal Engine 4のプラグインであるため、ユーザーは独自の風景や車両を構築することができます。

このオープンソースの高忠実度の物理学とフォトリアリスティックなロボットシミュレータは、制御と知覚ソフトウェアの検証に役立ち、それらの要件が発生した場合には認証コンプライアンスを提供する可能性があります。一般的なゲームスキルとロボットシステムの設計者や開発者のスキルが一致しているため、ほとんどすべての作成やシナリオを可能な限り少ない変更でシミュレーターから現実世界へと移行することができます。

参考文献

Autonomous car research with AirSim. Microsoft.
Aerial Informatics and Robotics Platform. Microsoft Research.
Microsoft extends AirSim to include autonomous car research. Microsoft Research.
AirSim, Microsoft / Github.
Autonomous systems, aerial robotics and Game of Drones with Gurdeep Pall and Dr. Ashish Kapoor. Microsoft Research. November 27, 2019.

Special thanks to supporters !

Shogo Otani, 林祐輔, 鈴木卓也, Mayumi Nakamura, Kinoco, Masatoshi Yokota, Yohei Onishi, Tomochika Hara, 秋元善次, Satoshi Takeda, Ken Manabe, Yasuhiro Hatabe, 4383, lostworld, ogawaa1218, txpyr12, shimon8470, tokyo_h, kkawakami, nakamatchy, wslash, TS, ikebukurou 太郎.