机器人学习仿真框架

机器人学习仿真框架一般包含（自底向上）：

3D仿真物理引擎：对现实世界的模拟仿真
机器人仿真平台：用于搭建工作场景，以实现agent与环境的交互学习
学习算法框架集合：不同的策略学习算法的实现
算法测试环境及benchmark：针对不同的定制化算法的测试环境以及评价标准

整体框架简要介绍

物理引擎：模拟现实世界物理行为的软件工具。可模拟牛顿动力学模型，使用质量、速度、摩擦力和空气阻力等变量，为刚性或柔性物体赋予真实的物理属性，基于此模拟物体的运动、旋转、碰撞等交互过程。本质上是一个计算器，执行模拟物理所需的数学计算。如下是一些流行的物理引擎
- PhysX (Nvidia)：属于Nvidia GameWorks软件套件的一部分，拥有刚体动力学、软体动力学、关节、车辆动力学、流体力学等特性，是游戏和机器人领域最知名的物理引擎。Nvidai在GeForce系列图形卡上启用PhysX硬件加速
- Bullet
- MuJoCo、Havok、ODE、RaiSim、DART、Vortex、Simbody
- 经过某位网友调研发现（不保真），针对机器人学习领域，比较适合的物理引擎有：PhysX, Bullet, MuJoCo, RaiSim
机器人仿真平台：让用户在没有物理硬件的情况下也能快速对算法进行验证。一般来说，由于真实物理平台与仿真环境存在差异，仿真一般只在系统前期使用，后期还会要转到实际硬件平台上进行调试。如下是一些流行的机器人仿真平台
- Nvidia Isaac Sim：整合了PhysX物理引擎和RTX图像渲染引擎，并引入了Pixar公司开发的USD（Universal Scene Description）描述格式作为机器人和复杂场景的描述方式
- ROS-Gazebo：可访问ODE、Bullet、Simbody、DART多个物理引擎
- PyBullet：基于Bullet物理引擎开发的仿真环境。和python紧密结合，目前在强化学习中广泛应用
  - PyBullet和Bullet的区别：PyBullet is a python module for sim, robotics and machine learning, it has rendering, inverse kinematics etc. Install is just pip install pybullet, it will do all, no need to manually install Bullet c++.
    Bullet C++ is the underlying physics library, you don’t need to compile or install it, pip does that.
- MuJoCo、CoppeliaSim、MATLAB Robotics Toolbox、Webots、UE4(Unreal Engine)、Unity3D
- 该网友调研：Pybullet和MuJoCo在机器人学习领域尤其火
学习算法框架集合：类似于Numpy，只不过是强化学习算法的打包实现
- 如OpenAI Baselines、PyTorch DRL、Stable Baselines3、RLlib、rlpyt、Acme
算法测试环境及benchmark
- RLBench：有100个手工设计任务，旨在促进视觉引导的manipulation领域的研究（包含强化学习、模仿学习、多任务学习、几何计算机视觉）
- ControlSuite(DeepMind)、Gym(OpenAI)、RoboSchool(OpenAI)、Robosuite(Stanford)、RoboTurk(Stanford)、PyRoboLearn、Meta-World(Stanford)、SURREAL(Stanford)、OpenSpiel(DeepMind)、PyRobot(Facebook)、S-RL Toolbox、ROBEL(Google)、Menger(Google)、SEED RL(Google)、DERL(Stanford)

一些零碎的相关概念扫盲

目前机器人模拟器主要分两种类型：1）具身智能模拟器（为强化学习算法服务的）；2）传统工业控制模拟器（基于模型控制服务的）
- 前者最早来自游戏产业，如Isaac Sim、Isaac Gym和SAPIEN都是基于PhysX这个物理引擎。Unity游戏设计框架也使用了PhysX物理引擎
- 具身智能模拟器更注重速度，但在接触点建模方面可能不够精细，但非常适合个人/实验室用户，只需一块显卡就能训练
- 后者像MIT Russ Tedrake开发的Drake模拟器，速度较慢，但在接触点建模方面更为精细，适用于最优控制等场景
- 机器人模拟器和一些基础力学的模拟器，如分析材料在一定力下是否变形的模拟器，都有各自的价值。它们在不同维度上强调速度和精度的权衡，各自有不同的定位。它们之间不是完全竞争的关系
做一个好的simulator最大的挑战是什么
- 更准确+更真实，往往需要牺牲速度和采样效率
- 对于强化学习等任务，采样效率可能是关键；而对于一些需要真实渲染的领域，如视觉和模仿学习，渲染质量可能更重要。因此不同研究中关注的特性可能不同
- 刚体模拟现在比较成熟，软体模拟相比之下是一个蓝海
模拟器目前没有一个大一统的标准，原因之一是许多主流模拟器背后是不同的科技巨头。如Isaac系列背后是Nvidia，MuJoCo背后是Google。这些科技巨头的目标是让模拟器与他们的硬件或编译器紧密耦合，以在自家计算平台上更好地部署（比如Nvidia的GPU、Google的TPU）
强化学习和模仿学习：
两种算法没有直接关联，且最早应用在机器人上时是不需要模拟器的。是因为强化学习对数据的需求量很大，即采样复杂度很高，而真实世界中采集大量数据非常困难，才转向使用模拟器的。
若想在模拟器中训练强化学习算法，就需要解决模拟器和真实机器人之间的sim2real gap问题，这个鸿沟不易填补。因此有人倾向于直接使用真实机器人数据，但强化学习对数据的需求量很大（采样复杂度很高），所以一些研究者更愿意采用模仿学习策略。
Yuzhe称，对于相对简单的任务，他更倾向于使用模仿学习，因为人类可以轻松使用遥控器采集数据；对于一些复杂、高动态的任务，真实世界中采集数据可能很困难，因此最好的做法是在模拟器中开始，并尝试将其迁移到真实环境中，这时就需要强化学习的方法。
如何解决sim2real gap的问题？
- 总的来说，Sim2Real Gap的问题大致分为两类：1）视觉方面的gap；2）物理方面的gap
  - 视觉方面：即外观，取决于视觉感知的可靠性。在模拟器中，机器人可以获得非常真实的深度信息，但在真实世界中，使用的深度传感器可能存在噪声和不准确性，特别是在处理透明、反光等复杂材料时，可能会出现畸变等问题。可通过：1）优化硬件；2）随机化等解决
  - 物理方面：和之前调研的差不多，论文里更详细
- 解决方法可分为三类
  - 构建更好的模拟器：更好的物理仿真。如在深度相机仿真方面，传统方法简单地将渲染得到的物体深度直接用作深度传感器等数据，但也有一些工作采用更贴近真实深度相机原理的仿真
  - 数据增强：通过增加更丰富的数据来拉近模拟和真实环境的数据。如在模拟器中训练一个模型，使其能抓取多种属性的杯子，那么迁移到真实世界中时，该模型更有可能成功地抓取真实世界的杯子。代表性工作是Domain Randomization。这点模拟器有天然优势，可利用模拟器进行大规模数据增强
  - 寻找切入点：寻找一个在模拟器和真实世界之间差距较小的切入点，比如将问题简化，在简化的问题上使模拟器和真实世界趋于一致
对于仿真数据和真实数据
对于一些简单的仿真任务，如抓取，在仿真中学到的策略迁移到真实世界时表现较为成熟；然而对于一些复杂的接触任务，特别是涉及接触点不断变化的情况，仿真效果并不理想，可能需要一些真实数据。因此他更倾向于使用模拟器对机器人模型进行初始化，最终通过在真实世界中微调（模型的权重）来学习出最终的策略
3D生成和模拟器
3D生成可为模拟器提供服务，可为模拟器提供环境和素材。在模拟器中需要模拟很多3D模型和物体，而最早这些模型由艺术家手工建模，成本较高。现在人们开始考虑如何利用AI生成的模型来丰富模拟器的内容，使其更强大。
大多数生成的3D素材以通用格式（如Mesh）存储，并且目前主流模拟器都能导入这类外部文件，因此没有出现点对点适配问题，大家都能使用和生成这些mesh格式的素材