【论文阅读】Learning to drive from a world on rails

引用与参考

代码地址：https://github.com/dotchen/WorldOnRails

论文地址：https://arxiv.org/abs/2105.00636

论文部分

已看完写在ipad上了正在进行中

摘要划重点：

视觉只有视觉 → 所以关于加入激光点云的想法还是可以继续
行驶数据建立在model-based 使用车辆本身自行车模型 →
world on rails的意思是：环境并不会随agent的行为而改变（很符合... Carla里的仿真了，车辆不会和你交互只会按照自己的行程走特别是在leaderboard测试的）
但是这一点在现实中，并不适用，现实中有车辆交互博弈学习等 → 这也正是用学习的原因

world on rails的假设后：简化学习问题、得知这个世界的动态信息？、自己的车低维度动作、状态空间

通过之前pre-recorded驾驶数据得出自己现在这步骤的影响

在已有的数据轨迹中学习世界的模型（learn world model）
对于所有pre-recorded轨迹预估action-value
训练RV policy，获得action-value function，从而获取所有动作的影响

理论方法总括

首先我们要学习的是一个能由传感器信息做出输入，输出动作的policy \(\pi(I)\)

在训练时的轨迹序列是：\(\tau=\left\{\left(\hat{I}_{1}, \hat{L}_{1}, \hat{a}_{1}\right),\left(\hat{I}_{2}, \hat{L}_{2}, \hat{a}_{2}\right), \ldots\right\}\)

\(\hat{I}_{t}\) 传感器信息
\(\hat{L}_{t}\) 驾驶数据，主要是自身车辆和其他参与者的位置、速度、朝向
\(\hat{a}_{t}\) 做出的动作

戴帽的是从行驶数据中来的，普通的则是free or random变量

我们要利用这些驾驶数据学习的是：关于世界的forward model \(\mathcal{T}\) 和 action-value function \(Q\)，整体过程就是 \(L_t\),\(a_t\) 通过 \(\mathcal{T}\) 预测得到\(L_{t+1}\)，最后的agent对应的policy \(\pi(I_t)\)仅以传感器信息作为输入

整个算法流程 (公式请看下面定义)

3.1 Forward model分解

驾驶状态 \(L_t\) 和 forward model分成两个部分：

仅考虑自身车辆的控制：

\[L_{t+1}^{e g o}=\mathcal{T}^{e g o}\left(L_{t}^{e g o}, L_{t}^{\text {world }}, a_{t}\right) \]
建模剩下的世界模型：

\[L_{t+1}^{\text {world }}=\mathcal{T}^{\text {world }}\left(L_{t}^{\text {ego }}, L_{t}^{\text {world }}, a_{t}\right) \]
又因为假设的原因，world仅和自身有关，所以：\(L_{t+1}^{\text {world }}=\mathcal{T}^{\text {world }}\left(L_{t}^{\text {world }}\right)\)，那么从一开始world状态就能知道整个world的模型

由以上，就只需建模对于自身车辆的forward model，这里使用L1进行回归训练 \(\mathcal{T}^{e g o}\)：

\[E_{\hat{L}_{t: t+T}^{e g o}, \hat{a}_{t}}\left[\sum_{\Delta=1}^{T}\left|\mathcal{T}^{e g o \Delta}\left(\hat{L}_{t}^{e g o}, \hat{a}_{t+\Delta-1}\right)-\hat{L}_{t+\Delta}^{e g o}\right|\right] \tag{1} \]

注意这里的自身车辆状态其实可以通过自行车模型来计算得来

实验处理

在收集到的subset轨迹上，训练自身车辆的forward model \(\mathcal{T}^{e g o}\)，收集的数据保证在整个动作空间展开，例如：

转向从\([-1,1]\)；油门从\([0,1]\)；前两者都是均匀采样，刹车是只有\(\{0,1\}\)

正如前面提到的forward model \(\mathcal{T}^{e g o}\) 是由现在的\((x_t,y_t,\theta_t,v_t)\) 来预测下一个时刻车辆的状态：\((x_{t+1},y_{t+1},\theta_{t+1},v_{t+1})\)

在这里可以使用已知的自行车模型作为 \(\mathcal{T}^{e g o}\) 的结构先验：我们仅学习车辆的\(f_b,r_b\)；从转向\(s\)到轮转向\(\phi\)的映射；油门和刹车到加速度的映射

这一条具体怎么做还需要看代码的实现方式，\(f_b,r_b\)这两者是车辆的基本参数吧？

详情见代码阅读，是学习学到的这两个参数

3.2 Action-value function

这里我们想要的是一个给出行驶状态和动作，返回一个动作价值函数 [所以从这里可以知道对比lbc的方法他是把鸟瞰图，或者说激活RGB图像的方式换成了RL里面对于动作价值的概念]

这里的公式就是Bellman基本公式，强化学习书里的，关于value function和q function的区别见：https://www.zhihu.com/question/59122948/answer/1899310296

\[\begin{aligned}V\left(L_{t}^{e g o}, \hat{L}_{t}^{\text {world }}\right)=& \max _{a} Q\left(L_{t}^{e g o}, \hat{L}_{t}^{\text {world }}, a\right) \\Q\left(L_{t}^{\text {ego }}, \hat{L}_{t}^{\text {world }}, a_{t}\right)= & r\left(L_{t}^{\text {ego }}, \hat{L}_{t}^{\text {world }}, a_{t}\right)+ \gamma V\left(\mathcal{T}^{\text {ego }}\left(L_{t}^{\text {ego }}, \hat{L}_{t}^{\text {world }}, a\right), \hat{L}_{t+1}^{\text {world }}\right)\end{aligned} \]

其中，\(\hat{L}_{t}^{\text {world }}\)是直接记录下来的周围环境(世界)的，不会对\(Q\)造成影响(是假设)，所以这整个式子可以简化一下：

\[V_{t}\left(L_{t}^{e g o}\right)=\max _{a} Q_{t}\left(L_{t}^{e g o}, a\right) \tag{2} \]

其中的\(Q\)值计算由此可得：

\[Q_{t}\left(L_{t}^{e g o}, a_{t}\right)= r\left(L_{t}^{e g o}, \hat{L}_{t}^{\text {world }}, a_{t}\right)+ \gamma V_{t+1}\left(\mathcal{T}^{e g o}\left(L_{t}^{e g o}, a\right)\right) \]

自身车辆的状态 \(L_{t}^{e g o}\) 由 (位置、朝向、速度) 组成；这样对每一个 \(V_{t}\left(L_{t}^{e g o}\right)\) 状态的价值我们都进行计算，在最后的eval过程中，线性拟合其值如果value falls between bins

实验处理

对于每个时间\(t\) 我们把vaule function弄成一个4D的tensor：\(N_H \times N_W\)是关于位置的；\(N_v\)是关于速度的；\(N_\theta\)是关于朝向的

实验中\(N_H=N_W=96, N_v=4, N_\theta=5\)，每个点代表了物理的\(\frac{1}{3} \times \frac{1}{3} m^{2}\)区域，\(2m/s\)的速度范围和\(38°\)的朝向范围

\(\hat{L}_{t}^{e g o}=\left(x_{t}, y_{t}, v, \theta\right)\) 自身车辆的状态是处于整个离散化空间的中间的；对于value fall outside就直接为0

这里同样我们也离散化了我们的转向和油门 \(M_s \times M_t\)，然后在转向或踩油门的时候，我们不进行刹车，那么当\(M_s=9,M_t=3\)。整个动作空间就是\(9\times3+1=28\)

reward的设计如下：

规定zero-speed area：比如遇到红灯、接近其他车辆/行人等

+1：保持在目标车道
0：如果偏离了车道，但是+1到0直接的变化不是二值，而是线性拟合smoothly penalized
+5：如果在zero-speed area里停下了
但是这里zero-speed只会给一次，不会累加了，以免出现车辆直接一直停下不走了
因为有了zero-speed区域，所以关于碰撞的惩罚也就不需要有了
\(r_{stop}=0.01\) 以避免agent为了躲避而偏离车道 → 这一点我感觉只要不压实线，虚线变道应该是可以的吧 → 可能是对于leaderboard场景的trick设置

最后是通过high-level commands[左转、右转、直走、跟随路径、change right、 change left]来计算的整个动作价值函数

3.3 Policy Distillation

然后再使用 \(Q_{t}\left(\hat{L}_{t}^{e g o}, \cdot\right)\) 去监督学习VP(visuomotor policy) \(\pi(\hat I_t )\) ，所以呢 \(Q_{t}\left(\hat{L}_{t}^{e g o}, \cdot\right)\) 代表了车辆在那个状态下做出哪个动作是最优的，然后优化迭代我们直接通过期望：

\[E_{\hat{L}_{t}^{e g o}, \hat{I}_{t}}\left[\sum_{a} \pi\left(a \mid \hat{I}_{t}\right) Q_{t}\left(\hat{L}_{t}^{e g o}, a\right)+\alpha H\left(\pi\left(\cdot \mid \hat{I}_{t}\right)\right)\right] \tag{3} \]

其中\(H\) 是entropy regularizer，\(\alpha\) 是温度超参数，这样的处理是为了拿到diverse output policy

实验处理

对于policy network的设计使用的是以RGB作为输入，ResNet34作为网络框架

flatten ResNet features
concatenating speed
喂到网络里去
输出动作空间的分布：categorical distribution over discretized action spaces

从图中应该比较明显可知：这个value map是限制在地图里的，也就是说如果换一个环境是需要重新再来的，从这一点上可能就没有lbc好？所以每个地图环境都是需要一个value map去对应的

看了代码知道了不算是限制在地图里，而是因为读取了地图中的waypoint 来进行reward判断，就是需要沿着车道线行驶不能出界或者偏移详情见reward的操作
关于加入value map其实有改进，针对lbc 的方法强化了正确动作的概率，类似于value map再做一层限制同样也是第二个agent的先验

4 实验部分处理

~~通过carla内的行为规划器 [5] Carla之全局规划follow 来收集数据 \(\pi_b\)~~

并没有使用行为规划器来进行，而是直接生成min-max的一系列动作，根据reward 选出最好的进行做出动作
使用autopilot来添加转向的噪音
- 这一点还需细看是怎么加进去的
使用上面的数据去学习forward model，而不是直接去使用autopilot去做监督学习

对应每个我都直接放在上面的细节中了

所以还是行为规划器，Q action-value只是用来帮助激活RGB的某个部分，更或者是说保存整个地图信息在这个情况下怎样做是最好的；但是并没有去改善行为规划器的东西？而是从中学习得到value值

代码运行部分

Carla版本0.9.10.1，python版本3.7，已经在Planning主机上设置好了，

①打开termnial ②输入zsh ③输入carla_wor

运行结构主要由三个大过程组成，第一过程可以直接使用文件夹内的ego_model.th来

Rails系列代码阅读，后续传上来后再一个个贴吧

Stage 0: ego model

这一过程... 我暂时不知道是干啥的因为按道理说第一过程才是开始收集train_scenario 的才对

待查明，这一过程ego的作用 → 训练得知车辆运动模型 train car dynamics

首先到config.yaml文件，修改ego_data和ego_model的储存位置

ego_data_dir: collection/phase0
ego_model_dir: collection/phase0
main_data_dir: collection
main_model_dir: collection

启动Carla，这里是写的sh文件来启动多个Carla窗口，注意一个carla本身就需要2G显存，正常6G显存电脑建议只启动2个即可
```
./scripts/launch_carla.sh 2 2000
# ./scripts/launch_carla.sh [NUM RUNNERS] [WORLD PORT]
```

启动收集data的脚本

咦？在这里就有收集数据的嘛？？？ → train dynamics

python -m rails.data_phase0 --num-runners=2 --port=2000

首先把在这里我就没有运行下去了，主要是出现了pygame 然后它就自己也没报什么错误，也没保存什么文件就.. 就.. 就停止了

未知错误示意

大概探索了一下，从leaderboard_evaluator.py里出来的，但是因为没办法print所以不知道更具体为什么，猜测原因是ray.remote，~~为什么没办法print啊！！！真是的！！！~~

crash_message = "Agent couldn't be set up"

奇奇怪怪为什么issue里没有人和我遇到一样的问题

被自己气死了！.... emmm 果然猜测是对的，改一下ray.init部分就可以显示了

ray.init(logging_level=40, local_mode=True, log_to_driver=False)

然后就显示wandb的，查一下

太绝了啊！这都是什么好东西！
有空查一下ray的东西

查完感觉！超棒！太爽了吧！

关于rails代码详细介绍请跳转吧，写在一起太长了，不过上面的步骤已经能让整个运行起来了：

data_phase0.py

但是运行过程中，前20个左右的frame可能是OK的，后面总是提示说，保存不了图片？但是为啥这个是和frame有关的呢？奇怪

错误示意：

Traceback (most recent call last):
  File "/home/udi/KinZhang/WorldOnRails/leaderboard/leaderboard/scenarios/scenario_manager.py", line 152, in _tick_scenario
    ego_action = self._agent()
  File "/home/udi/KinZhang/WorldOnRails/leaderboard/leaderboard/autoagents/agent_wrapper.py", line 88, in __call__
    return self._agent()
  File "/home/udi/KinZhang/WorldOnRails/leaderboard/leaderboard/autoagents/autonomous_agent.py", line 115, in __call__
    control = self.run_step(input_data, timestamp)
  File "autoagents/collector_agents/random_collector.py", line 124, in run_step
    self.flush_data()
  File "autoagents/collector_agents/random_collector.py", line 67, in flush_data
    'vid': wandb.Video(np.stack(self.rgbs).transpose((0,3,1,2)), fps=20, format='mp4')
  File "<__array_function__ internals>", line 6, in stack
  File "/home/udi/anaconda3/envs/carla_py37/lib/python3.7/site-packages/numpy/core/shape_base.py", line 423, in stack
    raise ValueError('need at least one array to stack')
ValueError: need at least one array to stack

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
  File "/home/udi/KinZhang/WorldOnRails/leaderboard/leaderboard/leaderboard_evaluator.py", line 365, in _load_and_run_scenario
    self.manager.run_scenario()
  File "/home/udi/KinZhang/WorldOnRails/leaderboard/leaderboard/scenarios/scenario_manager.py", line 136, in run_scenario
    self._tick_scenario(timestamp)
  File "/home/udi/KinZhang/WorldOnRails/leaderboard/leaderboard/scenarios/scenario_manager.py", line 159, in _tick_scenario
    raise AgentError(e)
leaderboard.autoagents.agent_wrapper.AgentError: need at least one array to stack
======[Agent] Wallclock_time = 2021-07-08 14:50:50.458292 / 6.338849 / Sim_time = 4.550000067800283 / 0.717682718910227x

Stopping the route, the agent has crashed:
> need at least one array to stack

这里运行收集的数据是由随机动作得到的数据集，主要作用是用来训练车辆动力学

收集完后进行训练此收集数据

python -m rails.train_phase0 --data-dir=[EGO data DIR]
# 注意这里的[EGO data DIR] 需要和上面config里的ego_model_dir一致

Stage 1: Q-computation

Tips 前提知晓

这个阶段！真的很耗时！两块TiTan XP（和1080Ti差不多）训练10个epochs需要用4天
但是这个阶段更耗存储空间（如果要收集到作者有的数据集需要3.4TB in the lmdb format，详情见此issue：https://github.com/dotchen/WorldOnRails/issues/17#issuecomment-858148921）
收集数据如果因为空间不够，一定要记得删掉未完成的那一个part不然frame无法正确读取，计算q value的脚本会报错
记得提前对 config_nocrash.yaml 文件进行修改config 和数据路径不然... 会报错的，详情见倒数第二部分可能出现的问题
此次使用会出现CUDA报错问题，详情见倒数第二部分可能出现的问题

收集数据

完成上面的车辆参数学习后，我们就可以把我们的动作（油门、方向盘、刹车）转成速度输出了，也就是上面理论部分提到的：

\(\hat{L}_{t}^{e g o}=\left(x_{t}, y_{t}, v, \theta\right)\) 自身车辆的状态是处于整个离散化空间的中间的；对于value fall outside就直接为0

这里主要是收集数据

# Open Carla
./scripts/launch_carla.sh [NUM RUNNERS] [WORLD PORT]

# 这一层设置你想要收集的数据
python -m rails.data_phase1 --scenario={train_scenario, nocrash_train_scenario} --num-runners=[NUM RUNNERS] --port=[WORLD PORT]

打开Carla
收集数据，scenario 是指在哪个环境下，比如前者就是通过leaderboard来收集数据，后者可指定route在Town01下的4个不同的训练天气

所以这个部分总结来看：在一个位置，根据已知的min, max的动作阈值，生成一张动作表，然后通过地图（其实也算是上帝视角）来给各个动作块附上reward，然后选取最大的。reward的标准呢在这里，不得不说一句这个作者代码是真的牛掰... 硬生生看来我好久才理解了

计算Q Value

等待上面数据收集完成后，就可以关闭Carla，运行Q value label的脚本

# Q-labeling
python -m rails.data_phase2 --num-runners=[NUM RUNNERS]

代码阅读：/

运行后可以从wandb上看到一些记录的细节：

大概可以看到即使只有1W（原作者数据集的1/1000都不到也是花了1小时才做好的Q value label的过程）

为什么需要forward model呢，直接拿action来训练不行吗？比如油门、方向盘、刹车去对应出value map，而且实际输出图片也看出来是这样的 (但是估计是通过forward反映射了？)

因为需要从油门、方向盘、刹车 → 速度 → 预测位置，最后一个预测位置也就是我们需要的state in the world
但是为什么不直接从定位GPS中读取呢？因为加了噪音，有误差嘛？

我忘记这个问题为什么问出来了，但是大概是这样的，首先做出的动作，并没有实际做出，而是根据地图的上帝因素进行判断，判断的前提是拿ego_model知晓了这个动作做出后位置大概在哪里，然后和地图waypoint偏移什么的来进行比较
但是实际上在 data_phase1的时候就有计算哪个动作的reward更高，通过论文中说到的标准来确定，所以这么看来动作是离散的问题有点大 frame是20内

首先提出这个问题的时候，我还没意识到又是一次上帝视角去判断所有reward；第二动作确实是离散的，收集的频率为4Hz，也就是说动作为保持250ms直到下一次更新？

Stage 2: Image model training

python -m rails.train_phase2

可能会遇到的运行问题

ModuleNotFoundError: No module named 'leaderboard.leaderboard_evaluator'

原因：这是因为我下载了leaderboard后，结构是这样的leaderboard/leaderboard/code，

解决方案：
1. 把leaderboard复制出来就好了
2. 或者是在原主leaderboard下加一个空的__init__.py文件即可
> cuda runtime error (38) : no CUDA-capable device is detected at /opt/conda/conda-bld/pytorch_1579040055865/work/aten/src/THC/THCGeneral.cpp:50

运行第二阶段的数据收集时，也就是这行
```
python -m rails.data_phase1 --scenario={train_scenario, nocrash_train_scenario} --num-runners=[NUM RUNNERS] --port=[WORLD PORT]
```
原因：主要错误也指明了，是找不到cuda

解决方案：定位到在q_collector.py文件中device是没有指定哪一个的

参考：https://github.com/pytorch/pytorch/issues/5046
```
for key, value in config.items():
      setattr(self, key, value)
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
device = torch.device('cuda')

ego_model = EgoModel(1./FPS*(self.num_repeat+1)).to(device)
```
~~感觉第二阶段的bug挺多的啊... 整个config中路径都没有被读入哎 emmm~~

我知道了，是我没有看清楚config.yaml，这个data_phase1读取的config是！！！！ config_nocrash.yaml真是绝了，应该在readme里面说一声的

Debug小技巧

对于python来说，debug感觉上应该比C/C++轻松不少的，首先是我一开始设置了很久的launch因为这个不是直接运行一个py文件而是 -m脚本方式运行，所以launch中应该要加入其下的Python env但是我加了很久，怎么着都不行，所以就另辟蹊径走到了，直接开一个口进行监听的方式

具体参考：https://blog.csdn.net/m0_37991005/article/details/113342656

步骤：

配置launch.json文件

其中launch文件是这样的：注意第一个Debug是我当时设置了很久的环境也没设对，所以第二个启动时注意选择好VScode界面

{
    // Use IntelliSense to learn about possible attributes.
    // Hover to view descriptions of existing attributes.
    // For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387
    "version": "0.2.0",
    "configurations": [
        {
            "name": "Debug",
            "type": "python",
            // PYTHONPATH = ${CARLA_ROOT}/PythonAPI/carla/":"${SCENARIO_RUNNER_ROOT}":"${LEADERBOARD_ROOT}
            //~/KinZhang/WorldOnRails/PythonAPI/carla/:~/KinZhang/WorldOnRails/leaderboard:~/KinZhang/WorldOnRails/scenario_runner
            // "python.pythonPath": "~/KinZhang/WorldOnRails/PythonAPI/carla/",
            "request": "launch",
            "program": "${file}",
            "console": "integratedTerminal",
            "cwd": "${fileDirname}"
            
        },
        {
            "name": "Attach Debug",
            "type": "python",
            "request": "attach",
            "connect": {
            "host": "localhost",
            "port": 5678
            }
        }
    ]
}

配置后，首先运行python文件（注意看中间写的debugpy --listen 5678 --wait-for-client ）
```
python -m debugpy --listen 5678 --wait-for-client -m rails.data_phase1 --num-runners=1 --port=2000
```
然后是进入监听状态，再去VSCode里点击：首先选择好对应的那个Python文件，然后再选择好哪一个debug设置，最后点小绿就能debug上了
调试示意图：

同时可以到下面的debug terminal进行实时的调试测试（python可以编译后的C/C++类型只能显示显示而已）

posted @ 2021-08-03 14:51 Kin_Zhang 阅读(753) 评论(3) 编辑收藏举报

刷新页面返回顶部

张聪明 (Kin_Zhang)

HKUST-MPhil 学生无人驾驶、强化学习研究中

【论文阅读】Learning to drive from a world on rails

引用与参考

论文部分

理论方法总括

3.1 Forward model分解

3.2 Action-value function

3.3 Policy Distillation

4 实验部分处理

代码运行部分

Stage 0: ego model

Stage 1: Q-computation

Tips 前提知晓

收集数据

计算Q Value

Stage 2: Image model training

可能会遇到的运行问题

Debug小技巧

公告

张聪明 (Kin_Zhang)

HKUST-MPhil 学生 无人驾驶、强化学习研究中

【论文阅读】Learning to drive from a world on rails

引用与参考

论文部分

理论方法总括

3.1 Forward model分解

3.2 Action-value function

3.3 Policy Distillation

4 实验部分处理

代码运行部分

Stage 0: ego model

Stage 1: Q-computation

Tips 前提知晓

收集数据

计算Q Value

Stage 2: Image model training

可能会遇到的运行问题

Debug小技巧

公告

HKUST-MPhil 学生无人驾驶、强化学习研究中