翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。 # CARLA を使用して自動運転シミュレーションスイープを実行する このチュートリアルでは、設定可能なマルチセンサーキャプチャを使用して [CARLA](https://carla.org/) 自動運転シミュレーションパラメータスイープを実行する方法について説明します。Docker イメージを構築し、Amazon Elastic Container Registry (Amazon ECR) にプッシュし、[GitHub の自動運転 CARLA ジョブバンドル](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/autonomous_driving_carla)を Deadline Cloud ファームの GPU フリートに送信します。 このジョブは、車線変更のカットインシナリオを実行します。このシナリオでは、NPC 車両がエゴ車両の背後で開始し、105 秒の先行取得フェーズ中にエゴの 20 メートル前に加速してそれ自体を配置し、エゴの車線をカットします。設定可能なエゴ速度、NPC 速度、NPC 開始距離をスイープし、パラメータの組み合わせごとにタスクを作成します (デフォルトは 2×2×2 = 8 タスク）。各タスクは、選択したカメラ視点からマルチセンサーデータをキャプチャし、次の出力を生成します。 + 選択した各カメラの視点からの RGB フレーム + セマンティックセグメンテーションフレーム + LiDAR 点群 (`.ply`) + 2D および 3D 境界ボックス (KITTI 形式) + カメラごとのシナリオビデオ (H.264 MP4) + ステッチグリッドビデオ (複数のカメラを選択した場合) 次の動画は、Deadline Cloud での CARLA シミュレーションスイープワークフローを示しています。 [![AWS Videos](http://img.youtube.com/vi/xitKHbbBHDw/0.jpg)](http://www.youtube.com/watch?v=xitKHbbBHDw) **推定時間:** Docker イメージビルドを含む 1～2 時間。タスクは通常、それぞれ約 13 分で完了します。 このチュートリアルを実行すると、タスクを処理する GPU ワーカーインスタンスと Amazon ECR イメージストレージに対して料金が発生します。 ## 概要 このチュートリアルを完了するには、次の手順に従います。 1. 「前提条件」を完了します。 1. ファームをセットアップします。 1. Docker イメージをビルドおよびプッシュします。 1. シミュレーションジョブを送信します。 1. ジョブをモニタリングします。 1. 出力の確認 1. リソースをクリーンアップします。 ## 前提条件 開始する前に、次の設定を完了します。 1. [AWS アカウント](https://aws.amazon.com/resources/create-account/)がまだない場合は作成し、GPU インスタンスにアクセスできることを確認します (`g6.4xlarge`推奨）。 1. CARLA イメージを構築するために [Docker](https://docs.docker.com/get-docker/) をローカルにインストールします。 1. アカウントに [Amazon ECR](https://aws.amazon.com/ecr/) リポジトリを作成して、ビルドされたイメージをホストします。 1. [Deadline Cloud CLI ](https://github.com/aws-deadline/deadline-cloud)をローカルにインストールします。 ## ファームをセットアップする Conda キュー環境 (チャネル: `conda-forge`、パッケージ: `ffmpeg`) と GPU フリート (最小: 16 vCPU と 64 GiB メモリを備えた NVIDIA GPU) を持つキューを持つ Deadline Cloud ファームが必要です。 **IAM アクセス許可** – タスクスクリプトはキューロールの認証情報`docker pull`で実行されるため、キューロールには Amazon ECR プルアクセス許可が必要です。次のようなポリシーをアタッチします。 ``` { "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": "*" } ] } ``` **フリートホスト設定** – フリートワーカーには Docker と NVIDIA Container Toolkit が必要です。[GitHub の Docker および NVIDIA Container Toolkit ホスト設定スクリプト](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/host_configuration_scripts/docker_nvidia_container_toolkit)をフリートにアタッチします。詳細については、「[Deadline Cloud ワーカーで NVIDIA GPUs を使用して Docker コンテナを実行する](examples-host-config-docker-nvidia.md)」を参照してください。 ## Docker イメージを構築してプッシュする ジョブは、Docker [Hub の carlasim/carla:0.9.16 ベースイメージに基づいて Docker ](https://hub.docker.com/r/carlasim/carla)コンテナ内で実行されます。基本 CARLA イメージにはシミュレーターが含まれていますが、このジョブに必要な Python 環境、シナリオランナー、センサーキャプチャスクリプトがありません。Python 3.10、、`scenario_runner`およびエントリポイントとキャプチャスクリプトのカスタムイメージレイヤー。各 Deadline Cloud タスクが CARLA を起動し、運転シナリオを実行し、センサーデータを 1 つのコンテナに記録できるようにします。 **Docker イメージを構築してプッシュするには** 1. Amazon ECR リポジトリがない場合は、リポジトリを作成します。 ``` aws ecr create-repository --repository-name carla-deadline --region {{REGION}} ``` 1. `autonomous_driving_carla` バンドルの `docker/` ディレクトリから、イメージを構築します。 ``` cd docker/ docker build -t carla-deadline:0.9.16 . ``` **注記** Dockerfile は Docker Hub `carlasim/carla:0.9.16`からベースイメージとしてプルします。最初のビルドでは、約 8 GB がダウンロードされます。 1. イメージを Amazon ECR にプッシュします。 ``` aws ecr get-login-password --region {{REGION}} | \ docker login --username AWS --password-stdin {{ACCOUNT_ID}}.dkr.ecr.{{REGION}}.amazonaws.com docker tag carla-deadline:0.9.16 \ {{ACCOUNT_ID}}.dkr.ecr.{{REGION}}.amazonaws.com/carla-deadline:0.9.16 docker push {{ACCOUNT_ID}}.dkr.ecr.{{REGION}}.amazonaws.com/carla-deadline:0.9.16 ``` ## シミュレーションジョブを送信する **GUI 送信者を使用してジョブを送信するには** 1. バンドルディレクトリから、送信者を開きます。 ``` cd autonomous_driving_carla deadline bundle gui-submit . ``` 1. **ジョブ固有の設定**タブの**シナリオ設定**で、ego 速度、NPC 速度、NPC 距離をカンマ区切りの整数として設定します。クロスプロダクトはタスクグリッドを作成します。 1. **カメラビューポイント**で、キャプチャするカメラを選択します。**フロント**がデフォルトの選択です。使用可能な位置は、前面、前面左、前面右、背面、背面左、背面右です。 1. Advanced ****で、**コンテナイメージ URI** を に設定`{{ACCOUNT_ID}}.dkr.ecr.{{REGION}}.amazonaws.com/carla-deadline:0.9.16`し、Amazon ECR リポジトリが存在する AWS リージョンを設定します。 1. [**Submit**] を選択してください。 または、CLI を使用して を送信します。 ``` 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}} ``` ## ジョブのモニタリング Deadline Cloud コンソールで進行状況をモニタリングします。各タスクは、タスクテーブルにそのパラメータ値 (`EgoSpeed`、`NpcSpeed`、`NpcDistance`) を表示します。タスクは通常、それぞれ約 13 分で完了します。 ログ出力には以下が表示されます。 + シナリオ生成とパラメータ値 + CARLA サーバーの起動と準備 + センサーキャプチャの進行状況 (カメラあたりのフレーム数) + 各カメラのビデオエンコード + グリッドビデオのステッチング (複数のカメラを選択した場合) ## 出力を確認する **出力をダウンロードするには** 1. ジョブが完了したら、送信時に使用したのと同じディレクトリからダウンロードコマンドを実行し、`OutputDir`パス (デフォルト `./outputs`) が同じ場所に解決されるようにします。 ``` deadline job download-output --job-id {{job-id}} ``` 1. Deadline Cloud は、ジョブの送信時に選択した`OutputDir`ディレクトリに出力を復元します。 各タスクは、パラメータに という名前のサブディレクトリに出力を生成します。 ``` 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 ``` ## 既知の制限事項 + **Linux のみ** – CARLA Docker イメージには、NVIDIA GPU ドライバーを搭載した Linux ホストが必要です。ワーカーは Linux フリートで実行する必要があります。 + **x86\_64 のみ** – CARLA Docker イメージは ARM アーキテクチャをサポートしていません。 + **モザイクイメージ** – 2 台以上のカメラを選択すると、ジョブは RGB/セマンティックモザイクイメージを生成します。レイアウトは、6 つすべてがアクティブな場合は 2 x 3 で、それ以外の場合は小さいグリッドです。 + **キャプチャレートはカメラ数に応じてスケール** – キャプチャスクリプトはフラッシュごとに PNGs を同期的に書き込みます。6 台のカメラすべてで、各フラッシュは 2 台ではなく 14 台の PNGs を 1 台のカメラで書き込み、I/O の増加は 7 FPS ターゲットを下回るフラッシュを遅らせます。ビデオエンコーダーは 7 FPS に固定されているため、同じシナリオでは、少数のカメラを有効にしてカメラごとに長いビデオを生成し、多くのカメラを有効にして短くて高密度のマルチビュービデオを生成します。この同期設計は、サンプルのアーキテクチャを小さく、簡単に適応させるための意図的なトレードオフです。本番パイプラインはセンサー I/O を並列化します。 ## クリーンアップ 継続的な課金を回避するには、このチュートリアル用に作成したリソースをクリーンアップします。 **チュートリアルリソースをクリーンアップするには** 1. このチュートリアル専用の GPU フリートを作成した場合は、そのフリートを停止または削除します。既存の共有フリートを使用した場合は、そのままにします。 1. イメージが不要になった場合は、`carla-deadline`Amazon ECR リポジトリを削除します。 ## 関連リソース 以下のリソースは追加情報を提供します。 + [GitHub のサンプルソースコード](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/autonomous_driving_carla) + [CARLA シミュレーター](https://carla.org/) + [GitHub の Docker および NVIDIA Container Toolkit ホスト設定スクリプト](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/host_configuration_scripts/docker_nvidia_container_toolkit) + [Deadline Cloud ワーカーで NVIDIA GPUs を使用して Docker コンテナを実行する](examples-host-config-docker-nvidia.md) + [Deadline Cloud の Open Job Description (OpenJD) テンプレート](build-job-bundle.md)