使用NVIDIA ISAAC和TAO開發(fā)AI驅(qū)動的機(jī)器人

從制造汽車到幫助外科醫(yī)生和送披薩，機(jī)器人不僅自動化，而且將人類任務(wù)的速度提高了許多倍。隨著人工智能的出現(xiàn)，你可以建造更智能的機(jī)器人，它們可以更好地感知周圍環(huán)境，并在最少的人工干預(yù)下做出決策。

例如，一個用于倉庫的自動機(jī)器人將有效載荷從一個地方移動到另一個地方。它必須感知周圍的自由空間，檢測并避免路徑中的任何障礙，并做出“即時”決定，毫不拖延地選擇新路徑。

這就是挑戰(zhàn)所在。這意味著構(gòu)建一個由人工智能模型支持的應(yīng)用程序，該模型經(jīng)過訓(xùn)練和優(yōu)化，可以在這種環(huán)境下工作。它需要收集大量高質(zhì)量的數(shù)據(jù)，并開發(fā)一個高度精確的人工智能模型來驅(qū)動應(yīng)用程序。這些是將應(yīng)用程序從實驗室轉(zhuǎn)移到生產(chǎn)環(huán)境的關(guān)鍵障礙。

在這篇文章中，我們將展示如何使用 NVIDIA ISAAC 平臺和 TAO 框架解決數(shù)據(jù)挑戰(zhàn)和模型創(chuàng)建挑戰(zhàn)。你使用 NVIDIA ISAAC Sim ，一個機(jī)器人模擬應(yīng)用程序，用于創(chuàng)建虛擬環(huán)境和生成合成數(shù)據(jù)。這個 NVIDIA TAO 工具包 是一種低代碼人工智能模型開發(fā)解決方案，與從頭開始的訓(xùn)練相比，它具有內(nèi)置的轉(zhuǎn)移學(xué)習(xí)功能，可以用一小部分?jǐn)?shù)據(jù)微調(diào)預(yù)訓(xùn)練模型。最后，使用 NVIDIA ISAAC ROS 將優(yōu)化模型部署到機(jī)器人上，并將其應(yīng)用于現(xiàn)實世界。

圖 1 。概述使用 NVIDIA ISAAC Sim 對 TAO 工具包模型進(jìn)行合成數(shù)據(jù)培訓(xùn)的工作流程，以適應(yīng)現(xiàn)實世界的用例。

先決條件

開始之前，您必須擁有以下用于培訓(xùn)和部署的資源：

NVIDIA GPU 驅(qū)動程序版本：》 470

NVIDIA Docker： 2.5.0-1

NVIDIA GPU 云端或內(nèi)部：

NVIDIA A100

NVIDIA V100

NVIDIA T4

NVIDIA RTX 30 × 0 （ NVIDIA ISAAC 是也支持 NVIDIA RTX 20 系列）

NVIDIA Jetson Xavier 或 Jetson Xavier NX

NVIDIA TAO 工具包： 4.22 。有關(guān)更多信息，請參閱 TAO 工具包快速入門指南

NVIDIA ISAAC Sim 和 ISAAC ROS

使用 NVIDIA ISAAC Sim 生成合成數(shù)據(jù)

在本節(jié)中，我們將概述在 NVIDIA ISAAC Sim 中生成合成數(shù)據(jù)的步驟。 Synthetic data 是計算機(jī)模擬或算法生成的注釋信息。當(dāng)真實數(shù)據(jù)難以獲取或成本高昂時，合成數(shù)據(jù)可以幫助解決數(shù)據(jù)難題。

NVIDIA ISAAC Sim 提供三種生成合成數(shù)據(jù)的方法：

復(fù)制器作曲家

Python 腳本

GUI

在這個實驗中，我們選擇使用 Python 腳本生成具有領(lǐng)域隨機(jī)化的數(shù)據(jù)。 Domain randomization 改變在模擬環(huán)境中定義場景的參數(shù)，包括場景中各種對象的位置、比例、模擬環(huán)境的照明、對象的顏色和紋理等。

添加域隨機(jī)化以同時改變場景的多個參數(shù)，通過將其暴露于現(xiàn)實世界中看到的各種域參數(shù)，提高了數(shù)據(jù)集質(zhì)量并增強(qiáng)了模型的性能。

在本例中，您使用兩個環(huán)境來培訓(xùn)數(shù)據(jù)：一個倉庫和一個小房間。接下來的步驟包括向場景中添加符合物理定律的對象。我們使用了 NVIDIA ISAAC Sim 卡中的示例對象，其中還包括 YCB dataset 中的日常對象。

安裝 NVIDIA ISAAC Sim 卡后 ISAAC Sim 卡應(yīng)用程序選擇器 為包含python.sh腳本的 在文件夾中打開 提供一個選項。這用于運(yùn)行用于生成數(shù)據(jù)的腳本。

按照列出的步驟生成數(shù)據(jù)。

選擇環(huán)境并將攝影機(jī)添加到場景中

def add_camera_to_viewport(self): # Add a camera to the scene and attach it to the viewport self.camera_rig = UsdGeom.Xformable(create_prim("/Root/CameraRig", "Xform")) self.camera = create_prim("/Root/CameraRig/Camera", "Camera")

將語義 ID 添加到樓層：

def add_floor_semantics(self): # Get the floor from the stage and update its semantics stage = kit.context.get_stage() floor_prim = stage.GetPrimAtPath("/Root/Towel_Room01_floor_bottom_218") add_update_semantics(floor_prim, "floor")

在具有物理特性的場景中添加對象：

def load_single_asset(self, object_transform_path, object_path, usd_object): # Random x, y points for the position of the USD object translate_x , translate_y = 150 * random.random(), 150 * random.random() # Load the USD Object try: asset = create_prim(object_transform_path, "Xform", position=np.array([150 + translate_x, 175 + translate_y, -55]), orientation=euler_angles_to_quat(np.array([0, 0.0, 0]), usd_path=object_path) # Set the object with correct physics utils.setRigidBody(asset, "convexHull", False)

初始化域隨機(jī)化組件：

def create_camera_randomization(self): # A range of values to move and rotate the camera camera_tranlsate_min_range, camera_translate_max_range = (100, 100, -58), (220, 220, -52) camera_rotate_min_range, camera_rotate_max_range = (80, 0, 0), (85, 0 ,360) # Create a Transformation DR Component for the Camera self.camera_transform = self.dr.commands.CreateTransformComponentCommand( prim_paths=[self.camera.GetPath()], translate_min_range=camera_tranlsate_min_range, translate_max_range=camera_translate_max_range, rotate_min_range=camera_rotate_min_range, rotate_max_range=camera_rotate_max_range, duration=0,5).do()

確保模擬中的攝影機(jī)位置和屬性與真實世界的屬性相似。為生成正確的自由空間分段掩碼，需要向地板添加語義 ID 。如前所述，應(yīng)用領(lǐng)域隨機(jī)化來幫助提高模型的 sim2real 性能。

NVIDIA ISAAC Sim 文檔中提供的 離線數(shù)據(jù)生成 示例是我們腳本的起點。對這個用例進(jìn)行了更改，包括使用物理向場景添加對象、更新域隨機(jī)化，以及向地板添加語義。我們已經(jīng)為數(shù)據(jù)集生成了近 30000 張帶有相應(yīng)分割模板的圖像。

使用 TAO 工具包進(jìn)行培訓(xùn)、調(diào)整和優(yōu)化

在本節(jié)中，您將使用 TAO 工具包使用生成的合成數(shù)據(jù)對模型進(jìn)行微調(diào)。為了完成這項任務(wù)，我們選擇了 NGC 提供的 UNET 模型進(jìn)行實驗。

!ngc registry model list nvidia/tao/pretrained_semantic_segmentation:*

設(shè)置數(shù)據(jù)、規(guī)格文件（ TAO 規(guī)格）和實驗?zāi)夸洠?/p>

%set_env KEY=tlt_encode
%set_env GPU_INDEX=0
%set_env USER_EXPERIMENT_DIR=/workspace/experiments
%set_env DATA_DOWNLOAD_DIR=/workspace/freespace_data
%set_env SPECS_DIR=/workspace/specs

下一步是選擇模型。

選擇正確的預(yù)訓(xùn)練模型

預(yù)訓(xùn)練人工智能和深度學(xué)習(xí)模型是在代表性數(shù)據(jù)集上進(jìn)行訓(xùn)練并使用權(quán)重和偏差進(jìn)行微調(diào)的模型。與從頭開始的訓(xùn)練相比，只需使用一小部分?jǐn)?shù)據(jù)就可以應(yīng)用遷移學(xué)習(xí)，您可以快速輕松地微調(diào)預(yù)訓(xùn)練模型。

在預(yù)訓(xùn)練模型領(lǐng)域中，有一些模型執(zhí)行特定任務(wù)，比如檢測人、汽車、車牌等。

我們首先選擇了一個帶有 ResNet10 和 ResNet18 主干的 U-Net 型號。從模型中獲得的結(jié)果顯示，在真實數(shù)據(jù)中，墻和地板合并為一個實體，而不是兩個單獨的實體。即使模型在模擬圖像上的性能顯示出較高的精度，這也是事實。

我們用不同的主干和圖像大小進(jìn)行實驗，觀察延遲（ FPS ）與準(zhǔn)確性之間的權(quán)衡。表中所有型號均相同（ UNET ）；只有脊柱不同。

根據(jù)結(jié)果，我們顯然需要一個更適合用例的不同模型。我們選擇了 NGC 目錄中提供的 PeopleSemSeg 型號。該模型在“ person ”類的 500 萬個對象上進(jìn)行了預(yù)訓(xùn)練，數(shù)據(jù)集由相機(jī)高度、人群密度和視野（ FOV ）組成。該模型還可以將背景和自由空間分割為兩個獨立的實體。

在使用相同的數(shù)據(jù)集對該模型進(jìn)行訓(xùn)練后，平均 IOU 增加了 10% 以上，得到的圖像清楚地顯示了地板和墻壁之間更好的分割。

顯示了在使用真實數(shù)據(jù)對 PeopleSeg 模型進(jìn)行微調(diào)之前，從機(jī)器人的角度在模擬圖像和真實圖像上識別自由空間。也就是說，使用純 NVIDIA ISAAC Sim 卡數(shù)據(jù)訓(xùn)練的模型。

關(guān)鍵的一點是，雖然可能有許多經(jīng)過預(yù)訓(xùn)練的模型可以完成這項任務(wù)，但選擇一個最接近當(dāng)前應(yīng)用程序的模型是很重要的。這就是陶的特制模型有用的地方。

!tao unet train --gpus=1 --gpu_index=$GPU_INDEX \ -e $SPECS_DIR/spec_vanilla_unet.txt \ -r $USER_EXPERIMENT_DIR/semseg_experiment_unpruned \ -m $USER_EXPERIMENT_DIR/peoplesemsegnet.tlt \ -n model_freespace \ -k $KEY 

培訓(xùn)模型后，根據(jù)驗證數(shù)據(jù)評估模型性能：

!tao unet evaluate --gpu_index=$GPU_INDEX -e$SPECS_DIR/spec_vanilla_unet.txt \
-m $USER_EXPERIMENT_DIR/semseg_experiment_unpruned/weights/model_freespace.tlt \ -o $USER_EXPERIMENT_DIR/semseg_experiment_unpruned/ \ -k $KEY

當(dāng)您對 NVIDIA ISAAC Sim 數(shù)據(jù)的模型性能和 Sim2Sim 驗證性能感到滿意時，請刪減模型。

要以最小的延遲運(yùn)行此模型，請將其優(yōu)化為在目標(biāo) GPU 上運(yùn)行。有兩種方法可以實現(xiàn)這一點：

Pruning ： TAO 工具包中的修剪功能會自動刪除不需要的層和神經(jīng)元，有效地減小模型的大小。必須重新訓(xùn)練模型，以恢復(fù)修剪過程中丟失的精度。

Post-training quantization ： TAO 工具包中的另一項功能可以進(jìn)一步縮小模型尺寸。這將其精度從 FP32 更改為 INT8 ，在不犧牲精度的情況下提高了性能。

首先，刪減模型：

!tao unet prune \ -e $SPECS_DIR/spec_vanilla_unet.txt \ -m $USER_EXPERIMENT_DIR/semseg_experiment_unpruned/weights/model_freespace.tlt \ -o $USER_EXPERIMENT_DIR/unet_experiment_pruned/model_unet_pruned.tlt \ -eq union \ -pth 0.1 \ -k $KEY

重新訓(xùn)練并修剪模型：

!tao unet train --gpus=1 --gpu_index=$GPU_INDEX \ -e $SPECS_DIR/spec_vanilla_unet_retrain.txt \ -r $USER_EXPERIMENT_DIR/unet_experiment_retrain \ -m $USER_EXPERIMENT_DIR/unet_experiment_pruned/model_unet_pruned.tlt \ -n model_unet_retrained \ -k $KEY

當(dāng)您對修剪模型的 Sim2Sim 驗證性能感到滿意時，請轉(zhuǎn)至下一步，對真實數(shù)據(jù)進(jìn)行微調(diào)。

!tao unet train --gpus=1 --gpu_index=$GPU_INDEX \ -e $SPECS_DIR/spec_vanilla_unet_domain_adpt.txt \ -r $USER_EXPERIMENT_DIR/semseg_experiment_domain_adpt \ -m $USER_EXPERIMENT_DIR/semseg_experiment_retrain/model_unet_pruned.tlt\ -n model_domain_adapt \ -k $KEY 

后果

表 1 顯示了未運(yùn)行和修剪模型之間的結(jié)果摘要。最終選擇用于部署的經(jīng)過修剪和量化的模型比在 NVIDIA Jetson Xavier NX 上測量的原始模型小 17 倍，推理性能快 5 倍。

sim 數(shù)據(jù)的訓(xùn)練數(shù)據(jù)集由 25K 個圖像組成，而用于微調(diào)的真實圖像的訓(xùn)練數(shù)據(jù)僅由 44 個圖像組成。真實圖像的驗證數(shù)據(jù)集僅包含 56 幅圖像。對于真實世界的數(shù)據(jù)，我們收集了三種不同室內(nèi)場景的數(shù)據(jù)集。模型的輸入圖像大小為 960 × 544 。推理性能是使用 NVIDIA TensorRT trtexec 工具 。

部署 NVIDIA ISAAC ROS

在本節(jié)中，我們展示了采用經(jīng)過訓(xùn)練和優(yōu)化的模型并使用 NVIDIA ISAAC ROS 在 Xavier Jetson NX 驅(qū)動的 iRobot 的 Create 3 機(jī)器人上進(jìn)行部署的步驟。 Create 3 和 NVIDIA ISAAC ROS 圖像分割節(jié)點均在 ROS2 上運(yùn)行。

本例使用 /isaac_ros_image_segmentation/isaac_ros_unet GitHub repo 部署空閑空間分段。

要使用自由空間分段模型，請從 /NVIDIA-ISAAC-ROS/isaac_ros_image_segmentation GitHub repo 執(zhí)行以下步驟。

創(chuàng)建 Docker 交互式工作區(qū)：

$isaac_ros_common/scripts/run_dev.sh your_ws

克隆所有包依賴項：

• isaac_ros_dnn_encoders
• isaac_ros_nvengine_interfaces
• 推理包（您可以選擇其中一個）
• isaac_ros_tensor_rt
• isaac_ros_triton

構(gòu)建并獲取工作區(qū)的源代碼：

$cd /workspaces/isaac_ros-dev
$colcon build && . install/setup.bash

從您的工作機(jī)器下載經(jīng)過培訓(xùn)的自由空間標(biāo)識（. etlt ）模型：

$scp : 

將加密的 TLT 模型（. etlt ）和格式轉(zhuǎn)換為 TensorRT 引擎計劃。對 INT8 模型運(yùn)行以下命令：

tao converter -k tlt_encode \ -e trt.fp16.freespace.engine \ -p input_1,1x3x544x960,1x3x544x960,1x3x544x960 \ unet_freespace.etlt

按照以下步驟進(jìn)行演練：ISAAC ROS 圖像分割:

• 將 TensorRT 模型引擎文件保存在正確的目錄中。
• 創(chuàng)建config.pbtxt.
• 更新isaac_ros_unet啟動文件中的模型引擎路徑和名稱。
• 重新生成并運(yùn)行以下命令：

$ colcon build --packages-up-to isaac_ros_unet && . install/setup.bash
$ ros2 launch isaac_ros_unet isaac_ros_unet_triton.launch.py

總結(jié)

在本文中，我們向您展示了一個端到端的工作流程，首先是在 NVIDIA ISAAC Sim 中生成合成數(shù)據(jù)，使用 TAO 工具包進(jìn)行微調(diào)，然后使用 NVIDIA ISAAC ROS 部署模型。

NVIDIA ISAAC Sim 和 TAO Toolkit 都是抽象出人工智能框架復(fù)雜性的解決方案，使您能夠在生產(chǎn)中構(gòu)建和部署人工智能驅(qū)動的機(jī)器人應(yīng)用程序，而無需任何人工智能專業(yè)知識。

關(guān)于作者

Amey Kulkarni 是 NVIDIA 的開發(fā)技術(shù)工程師，專注于將深度學(xué)習(xí)解決方案有效地部署到邊緣。在 2019 年加入 NVIDIA 之前，他完成了馬里蘭大學(xué)計算機(jī)工程博士學(xué)位。他的研究興趣是在嵌入式平臺上部署數(shù)字信號處理、計算機(jī)視覺和深度學(xué)習(xí)系統(tǒng)。

Rishabh Chadha 是 NVIDIA 的嵌入式工程實習(xí)生—— AI ，他專注于為 NVIDIA Jetson 平臺集成深度學(xué)習(xí)和機(jī)器人技術(shù)框架。他將于 2021 年畢業(yè)于伍斯特理工學(xué)院，獲得機(jī)器人學(xué)碩士學(xué)位。他的興趣主要包括深度學(xué)習(xí)、醫(yī)學(xué)成像和機(jī)器人感知。Daniel Lee 是 NVIDIA 的產(chǎn)品經(jīng)理，專注于專業(yè)可視化解決方案的軟件。

審核編輯：郭婷