As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Execute uma varredura de simulação de direção autônoma com CARLA

Este tutorial mostra como executar uma varredura de parâmetros de simulação de direção autônoma CARLA com captura multissensor configurável. CARLA no site da CARLA é um simulador de código aberto. Você cria uma imagem do Docker, a envia para o Amazon Elastic Container Registry (Amazon ECR) e envia o pacote de tarefas CARLA de condução autônoma no GitHub site para uma frota de GPU em sua fazenda Deadline Cloud.

O trabalho executa um cenário de mudança de faixa em que um veículo NPC começa atrás do veículo do ego, acelera para se posicionar 20 metros à frente do ego durante uma fase de avanço de 105 segundos e depois entra na pista do ego. Ele abrange velocidades de ego configuráveis, velocidades de NPC e distâncias iniciais de NPC, criando uma tarefa para cada combinação de parâmetros (padrão 2 × 2 × 2 = 8 tarefas). Cada tarefa captura dados de vários sensores dos pontos de vista da câmera que você seleciona e produz a seguinte saída:

O vídeo a seguir demonstra o fluxo de trabalho de varredura da simulação CARLA no Deadline Cloud.

Tempo estimado: 1—2 horas, incluindo a criação da imagem do Docker. As tarefas normalmente são concluídas em cerca de 13 minutos cada.

A execução deste tutorial gera cobranças pelas instâncias de trabalho da GPU que processam as tarefas e pelo armazenamento de imagens do Amazon ECR.

Visão geral do

Para concluir este tutorial, siga estas etapas:

Pré-requisitos

Antes de começar, conclua a seguinte configuração:

Configure sua fazenda

Você precisa de um farm Deadline Cloud com uma fila que tenha um ambiente de fila conda (canais:conda-forge, pacotes:ffmpeg) e uma frota de GPU (mínimo: 1 GPU NVIDIA com 16 vCPUs e 64 GiB de memória).

Permissões do IAM — Sua função de fila precisa de permissões de pull do Amazon ECR, porque o script de tarefas é executado docker pull sob as credenciais da função de fila. Anexe uma política como a seguinte:

{
  "Version": "2012-10-17", 
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "ecr:GetDownloadUrlForLayer",
        "ecr:BatchGetImage",
        "ecr:BatchCheckLayerAvailability"
      ],
      "Resource": "arn:aws:ecr:REGION:ACCOUNT_ID:repository/*"
    },
    {
      "Effect": "Allow",
      "Action": "ecr:GetAuthorizationToken",
      "Resource": "*"
    }
  ]
}

Configuração do host da frota — Seus trabalhadores da frota precisam do Docker e do NVIDIA Container Toolkit. Anexe o script de configuração de host do Docker e do NVIDIA Container Toolkit no GitHub site à sua frota. Para obter mais informações, consulte Execute contêineres Docker com GPUs NVIDIA no Deadline Cloud Workers.

Crie e divulgue a imagem do Docker

O trabalho é executado dentro de um contêiner do Docker com base na imagem base:0.9.16 carlasim/carla no site do Docker. A imagem básica do CARLA inclui o simulador, mas não possui o ambiente Python, o executor de cenários e os scripts de captura de sensores necessários para esse trabalho. As camadas de imagem personalizadas no Python 3.10 e os scripts de ponto de entrada e captura para que cada tarefa do Deadline Cloud possa inicializar o CARLA, executar o cenário de condução e registrar os dados do sensor em um único contêiner. scenario_runner

Envie o trabalho de simulação

Como alternativa, envie com a CLI:

deadline bundle submit . \
  --farm-id FARM_ID \
  --queue-id QUEUE_ID \
  --name "CARLA Lane Change Demo" \
  -p ImageURI=ACCOUNT_ID.dkr.ecr.REGION.amazonaws.com/carla-deadline:0.9.16 \
  -p AwsRegion=REGION

Monitoramento do trabalho

Monitore o progresso no console do Deadline Cloud. Cada tarefa mostra seus valores de parâmetros (EgoSpeed,NpcSpeed,NpcDistance) na tabela de tarefas. As tarefas normalmente são concluídas em cerca de 13 minutos cada.

A saída do registro mostra:

Revise a saída

Cada tarefa produz uma saída em um subdiretório nomeado de acordo com seus parâmetros:

outputs/
└── ego20_npc30_dist10/
    ├── rgb/
    │   ├── front/frame_000001.png ... frame_000062.png
    │   └── rear/frame_000001.png ... frame_000062.png
    ├── semantic/
    │   ├── front/...
    │   └── rear/...
    ├── lidar/frame_000001.ply ...
    ├── bbox_2d/{front,rear}/frame_*.txt
    ├── bbox_3d/frame_*.txt
    └── video/
        ├── front_scenario.mp4
        ├── rear_scenario.mp4
        └── grid_scenario.mp4

Limitações conhecidas

Fazer a limpeza.

Para evitar cobranças contínuas, limpe os recursos que você criou para este tutorial:

Recursos relacionados

Os seguintes recursos fornecem informações adicionais: