gym-pybullet-drones

PyBullet-Gymnasium-Umgebungen für Single- und Multi-Agent-Reinforcement-Learning mit Drohnen

Lizenz

MIT

Überblick

gym-pybullet-drones ist die Standard-Open-Source-Simulationssuite für lernbasierte Quadrotor-Regelung: Gymnasium-Umgebungen (früher OpenAI Gym) auf Basis der PyBullet-Physik-Engine, die Crazyflie-2.x-Quadrotoren mit realistischer Dynamik einschließlich Bodeneffekt, Luftwiderstand und Downwash modellieren. Sie unterstützt Single-Agent- und Multi-Agent-RL out of the box, integriert sich mit stable-baselines3 und entstand am Dynamic Systems Lab / Vector Institute der University of Toronto.

Die Suite verpackt PyBullet-basierte Quadrotor-Dynamik in saubere Gymnasium-APIs: BaseAviary-Umgebungen bieten Steuerung einer oder mehrerer Drohnen auf RPM-, PID- oder Geschwindigkeitsebene, mit Beobachtungsräumen, die den kinematischen Zustand und optional Onboard-Kamera-Vision abdecken. Die Physik geht über Spielzeugmodelle hinaus — Schub und Drehmoment auf Propellerebene, aerodynamischer Widerstand, Bodeneffekt und Downwash zwischen Drohnen werden simuliert, und die Parameter stammen aus der Systemidentifikation der Bitcraze Crazyflie 2.x. Referenz-Workflows trainieren Hover-, Trajektorienfolge- und Multi-Agent-Aufgaben mit stable-baselines3 PPO, und das Repo enthält Assets, Logging- und Plotting-Werkzeuge sowie Beispiele für Sim-to-Real-Transfer auf echte Crazyflies. Auf der IROS 2021 veröffentlicht, ist es zur Standard-Benchmark-Umgebung für Drohnen-RL-Paper und Lehrveranstaltungen geworden, mit Hunderten abgeleiteter Forschungsprojekte.

Warum es wichtig ist

gym-pybullet-drones ist die Referenz-Umgebungssuite für Reinforcement Learning mit Flugrobotern: physikalisch glaubwürdig genug für Sim-to-Real-Arbeit auf echten Crazyflies, leicht genug für das Training auf einem Laptop, und der Benchmark, auf dem ein großer Teil der Drohnen-RL-Publikationen aufbaut oder gegen den sie sich vergleichen.

Welches Problem es löst

Drohnen-RL-Forschung braucht Simulation, die zugleich schnell, physikalisch ehrlich in Bezug auf Quadrotor-Aerodynamik und in die Standard-RL-APIs verpackt ist. gym-pybullet-drones vereint alle drei Anforderungen und macht den Bau eines eigenen Simulators überflüssig, der früher jedem Aerial-Learning-Projekt vorausging.

Wichtigste Punkte

• Gymnasium-Umgebungen für Quadrotoren auf PyBullet-Physik, Single- und Multi-Agent
• Modelliert Bodeneffekt, Luftwiderstand und Downwash mit systemidentifizierten Crazyflie-2.x-Parametern
• Steuerungsmodi RPM, PID und Geschwindigkeit; optionale Vision-Beobachtungen von Onboard-Kameras
• Funktioniert out of the box mit stable-baselines3; auf der IROS 2021 veröffentlichter Benchmark
• Unterstützt Sim-to-Real-Transfer-Experimente auf echte Bitcraze Crazyflies

Für wen

• RL-Forscher im Bereich kontinuierlicher Regelung
• Studierende und Lehrende der Flugrobotik
• Forscher an Multi-Agenten-Systemen
• Ingenieure, die Drohnenregler vor Flugtests prototypisieren

Einschränkungen

• Fokussiert auf Mikro-Quadrotoren der Crazyflie-Klasse — größere Zellen erfordern eine Neuidentifikation
• Die PyBullet-Aerodynamik ist gegenüber Simulation auf CFD-Niveau vereinfacht
• Kein fotorealistisches Rendering für anspruchsvolles visionbasiertes Lernen (bei Kamera-Policies mit Vorsicht verwenden)