Využití nástroje Unreal Engine pro simulaci helikoptér

Abstract

Simulátory dronů se rozlišují v mnoha aspektech a pouze několik z nich podporuje realistické renderování. Rozdíly mezi simulovaným a reálným světem mohou mít kritické následky, jelikož drobná nesrovnalost mezi nimi může zapříčinit havárii dronu v reálném světě s modelem natrénovaným v simulátoru. Herní průmysl produkuje hry s realistickými prostředími za pomoci různých enginů, mezi kterými z pohledu realističnosti nejvíce vyčnívá Unreal Engine 5. Základním konceptem této práce je použití Unreal Engine 5 jako základu pro fotorealistický simulátor dronů. Představili a vyvinuli jsme simulátor založený na Unreal Engine 5. Simulátor obsahuje LiDAR sensor, RGB kameru, poziční/rotační sensor a podporu několika dronů. Simulátor je rozdělen do několika TCP/IP serverů a podporuje rychlou a spolehlivou komunikaci s klienty. Změřili jsme výkon simulátoru na několika rozlišných scénářích a výsledky porovnali na základě rozdílných prostředí a počtu dronů. Natrénovali jsme dva modely dronů v úlohách zpětnovazebného učení a potvrdili jsme schopnost simulátoru sloužit pro účely strojového učení.Drone simulators differ in many ways and only a section of them supports realistic rendering. Differences between the simulated and the real world can be critical, as just a slight inconsistency could cause the drone model trained in the simulator to crash in the real world. The game industry nowadays produces games with realistic environments using different engines, among which Unreal Engine 5 stands out the most in terms of realism. The core concept of this thesis is to use the Unreal Engine 5 as a base for a photorealistic drone simulator. We introduced and developed a simulator based on the Unreal Engine 5 with features such as a LiDAR sensor, an RGB camera, a position/tilt sensor and multiple drone support. The simulator is divided into multiple TCP/IP servers and allows for fast and reliable communication with the clients. We benchmarked the simulator on various scenarios and compared its performance in different environments and drone counts. We trained two drone models in reinforcement learning tasks and confirmed the ability of the simulator to serve machine learning purposes.