Go to Qiita Advent Calendar 2024 Top
LoginSignup
2
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

【2024年度も継続中！カレンダー"シリーズ3"以降に誰でも自由に追記OK】自動運転AI+その他関連してそうならなんでもOKAdvent Calendar 2023

Day 20
@soyaokiinちゅらデータ株式会社

Autowareパラメータを自動で調整してみた #2

Last updated at Posted at 2024-08-20

はじめに

自動運転AIチャレンジ2024 に参加させていただいております。

予選も残り1週間強、ということで最後の追い込み パラメータ調整 をされているチームもあると思います。
2023年大会で実施した パラメータ自動調整 を 2024年大会向けに改良したので、simple_pure_pursuitの自動調整を例として共有します。

2023年版からの改良点

1. パラメータの渡し方

以下のように launchファイルでノードにパラメータを直接渡す 書き方ができるようなので、 Python(optuna) → 環境変数 → Autowareノード　という流れでパラメータを渡すように変更します。

reference.launch.xml
<node pkg="simple_pure_pursuit" exec="simple_pure_pursuit" name="simple_pure_pursuit_node" output="screen">
    <param name="use_external_target_vel" value="true"/>
    <param name="external_target_vel" value="8.0"/>
    <param name="lookahead_gain" value="0.3"/>
    <param name="lookahead_min_distance" value="4.0"/>
    <param name="speed_proportional_gain" value="1.0"/>

2. 目的関数

競技内容に沿って設計します。
今回の競技内容だと、合計ラップタイム / 最小ラップタイム / 最小ジャークなど最適化対象がありそうですが、まずは 合計ラップタイム を最小にするように変更します。
具体的な実装は後述のサンプルコードを参照ください。

実施例

simple_pure_pursuitコントローラの4パラメータ external_target_vel、lookahead_gain、lookahead_min_distance、speed_proportional_gain を自動調整するサンプルを示します。

1. 自動調整実行スクリプトの作成

以下optuna_simple_pure_pursuit.pyを適当な場所に保存します。

optuna_simple_pure_pursuit.py
import optuna
import subprocess
import os
import json
import numpy as np
import psutil

def objective(trial):
    # Optunaによって最適化するパラメータを定義
    external_target_vel = trial.suggest_uniform('external_target_vel', 0.1, 15.0)
    lookahead_gain = trial.suggest_uniform('lookahead_gain', 0.1, 1.5)
    lookahead_min_distance = trial.suggest_uniform('lookahead_min_distance', 0.1, 15.0)
    speed_proportional_gain = trial.suggest_uniform('speed_proportional_gain', 0.1, 2.5)

    # 最適化されたパラメータを使ってrun_evaluation.bashを起動する
    command = ['/bin/bash', '/aichallenge/run_evaluation.bash']
    env = os.environ.copy()
    env['EXTERNAL_TARGET_VEL'] = str(external_target_vel)
    env['LOOKAHEAD_GAIN'] = str(lookahead_gain)
    env['LOOKAHEAD_MIN_DISTANCE'] = str(lookahead_min_distance)
    env['SPEED_PROPORTIONAL_GAIN'] = str(speed_proportional_gain)

    process = subprocess.Popen(command, env=env)

    # 評価プロセスが終了するまで待つ（評価時間に応じてタイムアウトを調整）
    process.wait(timeout=3600)  # 評価時間に応じて適宜調整する

    # ノードをキルする
    subprocess.run("ps aux | grep ros | grep -v grep | awk '{ print \"kill -9\", $2 }' | sh", shell=True)

    # スコアを計算する
    try:
        with open('/output/latest/result-summary.json') as f:
            result = json.load(f)
            print(result)
            if result["laps"] == []:
                score = 999.0
            elif len(result["laps"]) < 6:
                score = 900.0
            else:
                score = np.sum(result['laps'])

    except Exception as e:
        print(f"Error reading result file: {e}")
        score = 999.0

    return score

def main():
    study = optuna.create_study(direction='minimize', study_name='Autoware-turning-study', storage='sqlite:///Autoware-turning-study.db', load_if_exists=True)
    study.optimize(objective, n_trials=100)

    print('Best parameters:', study.best_params)
    print('Best score:', study.best_value)

if __name__ == '__main__':
    main()

2. reference.launch.xmlの変更

環境変数を介して、Python(optuna)の提案パラメータを受け取るように変更します。

reference.launch.xml
〜（略）〜
  <!-- Optional parameters -->
  <arg name="external_target_vel" default="$(env EXTERNAL_TARGET_VEL 8.0)" description="parameters"/>
  <arg name="lookahead_gain" default="$(env LOOKAHEAD_GAIN 0.3)" description="parameters"/>
  <arg name="lookahead_min_distance" default="$(env LOOKAHEAD_MIN_DISTANCE 4.0)" description="parameters"/>
  <arg name="speed_proportional_gain" default="$(env SPEED_PROPORTIONAL_GAIN 1.0)" description="parameters"/>
〜（略）〜
  <node pkg="simple_pure_pursuit" exec="simple_pure_pursuit" name="simple_pure_pursuit_node" output="screen">
    <param name="external_target_vel" value="$(var external_target_vel)"/>
    <param name="lookahead_gain" value="$(var lookahead_gain)"/>
    <param name="lookahead_min_distance" value="$(var lookahead_min_distance)"/>
    <param name="speed_proportional_gain" value="$(var speed_proportional_gain)"/>
〜（略）〜

実行

※ 環境構築が終わっていてデフォルトソースコードでのシミュレーション実施可能であることを前提とします。

Dockerコンテナ内で以下を実行してください。

(Terminal-1)
pip3 install optuna
cd /path/to/optuna_simple_pure_pursuit.py
python3 optuna_simple_pure_pursuit.py

result-summary.jsonを使用する都合上、壁に衝突して停止してしまった場合などでも、シミュレーション終了を待たなければならないので注意してください。要は 7min/iter 程度の時間がかかる、ということです。

途中経過含めた最適化結果は、別ターミナルでoptuna-dashboardを使って確認できます。

(Terminal-2)
pip3 install optuna-dashboard
cd /path/to/optuna_simple_pure_pursuit.py
optuna-dashboard sqlite:///Autoware-turning-study.db

デフォルトだと http://127.0.0.1:8080/ にアクセスで使えます。

image.png

※ Portを変更したい場合は以下でどうぞ。

optuna-dashboard sqlite:///Autoware-turning-study.db --port 8000

おわりに

以上、パラメータ自動調整例のご紹介でした。

今回は目的関数を合計ラップタイムとしましたが、 最小ラップタイム / 最小ジャーク に変更したらパラメータ傾向がどう変わるかなど試してみても面白そうです。

自作Controller / 既存Plannerなど他ノードパラメータへの応用も可能ですので、是非トライしてみてください。

ただ実行時間には改善の余地ありで、壁に衝突・停止した場合は終了する等でより効率化できそうです。

※ 個人的には、パラメータの渡し方を変更することで yamlファイルをぐちゃぐちゃに汚してしまう という前回の課題が改善できて嬉しい…！

ということで、パラメータ調整の泥臭いところはAIにおまかせして、最後まで楽しく走るぞ〜！

この記事は、AI文章校正ツール「ちゅらいと」で校正されています。

追記① 時短版

result-details.jsonを使えば多少実行時間が短縮できそうです。
とりあえず90sec/iterバージョンが以下です。
「障害物のない、最初の一周だけでパラメータ評価」が可能です。

import optuna
import subprocess
import os
import json
import numpy as np
import psutil
import time

def objective(trial):
    # Optunaによって最適化するパラメータを定義
    external_target_vel = trial.suggest_uniform('external_target_vel', 0.1, 15.0)
    lookahead_gain = trial.suggest_uniform('lookahead_gain', 0.1, 1.5)
    lookahead_min_distance = trial.suggest_uniform('lookahead_min_distance', 0.1, 15.0)
    speed_proportional_gain = trial.suggest_uniform('speed_proportional_gain', 0.1, 2.5)

    # 最適化されたパラメータを使ってrun_evaluation.bashを起動する
    command = ['/bin/bash', '/aichallenge/run_evaluation.bash']
    env = os.environ.copy()
    env['EXTERNAL_TARGET_VEL'] = str(external_target_vel)
    env['LOOKAHEAD_GAIN'] = str(lookahead_gain)
    env['LOOKAHEAD_MIN_DISTANCE'] = str(lookahead_min_distance)
    env['SPEED_PROPORTIONAL_GAIN'] = str(speed_proportional_gain)

    process = subprocess.Popen(command, env=env)

    # 90秒待つ
    time.sleep(90)

    # シャットダウン
    # 現在のPythonプロセス以外のすべてのプロセスをキル
    current_process = psutil.Process()
    for process in psutil.process_iter(attrs=['pid', 'name']):
        if process.info['pid'] != current_process.pid:
            process.terminate()  # プロセスを終了させる

    # ノードをキルする
    subprocess.run("ps aux | grep ros | grep -v grep | awk '{ print \"kill -9\", $2 }' | sh", shell=True)

    # AWSIM終了を待つ
    time.sleep(30)

    # スコアを計算する
    try:
        with open('/output/latest/result-details.json') as f:
            result = json.load(f)
            if result["laps"] == []:
                score = 99.0
            else:
                score = np.min(result['laps'])

    except Exception as e:
        print(f"Error reading result file: {e}")
        score = 99.0

    return score

def main():
    study = optuna.create_study(direction='minimize', study_name='Autoware-turning-study', storage='sqlite:///Autoware-turning-study.db', load_if_exists=True)
    study.optimize(objective, n_trials=100)

    print('Best parameters:', study.best_params)
    print('Best score:', study.best_value)

if __name__ == '__main__':
    main()
2
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
2
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?