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

Original URL: https://aws.amazon.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 CARLA、Ignition、Drake 或 Nvidia Isaac Sim 等模拟器，以及 Unity 或 Unreal 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：

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。
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
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）。

在 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。

在 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）。

在 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”。

在 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）

亚马逊AWS官方博客