人工智能的发展离不开数据的积累，在一些涉及到飞行器或自动驾驶交通工具的项目里，如果使用实体的测试设备来收集训练数据的话，成本会变得很高，一旦在测试时出现坠落或撞墙，损失会较为惨重。为了降低数据收集的成本，微软研发团队于今年 2 月份在 Github 上开源了一套基于虚幻引擎 4（Unreal Engine 4，以下简称 UE4）构建的无人机模拟飞行插件——AirSim，方便大家能以「不炸机」的方式收集用于深度学习和人工智能研究的数据。
UE4 在游戏开发上的表现极为出色，而 AirSim 则内置了 UE4 商城里的一个名为「Modular Neighborhood Pack」环境包，里面高度还原了一个逼真虚拟环境，模拟了阴影、阳光炫光、阴霾和道路表面积水等真实世界的环境细节，使用者可以在里面模拟无人机的操作。
使用方法
添加遥控器操作
安装好 AirSim 后，你可以使用外接遥控器进行模拟飞行。按照 AirSim 文档里 Remote Control 的描述，AirSim 支持 DJI、PX4 等无人机的遥控器及一些可用的控制器，包括 XBox 360、Playstation 3 的游戏手柄，但如果要接入这些外接遥控器，就必须在电脑上进行相应的配置。幸好，在最新的代码中，AirSim 内置了名为「simple_flight」的模拟遥控器，你可以跳过配置外接遥控器的繁琐事了。
程序控制
AirSim 允许你通过 APIs 与虚拟的飞行器进行操作交互。如下面的 hello_drone.py 中，设置了「按任意键以 5m/s 的速度飞往（-10，10，-10）的坐标点上」以及「按任意键拍照」的功能：
from PythonClient import *
# connect to the AirSim simulator
client = AirSimClient()
client.confirmConnection()
client.enableApiControl(True)
client.armDisarm(True)
AirSimClient.wait_key('Press any key to takeoff')
client.takeoff()
AirSimClient.wait_key('Press any key to move vehicle to (-10, 10, -10) at 5 m/s')
client.moveToPosition(-10, 10, -10, 5)
AirSimClient.wait_key('Press any key to take images')
responses = client.simGetImages([
ImageRequest(0, AirSimImageType.DepthVis),
ImageRequest(1, AirSimImageType.DepthMeters, True)])
print('Retrieved images: %d', len(responses))
for response in responses:
if response.pixels_as_float:
print("Type %d, size %d" % (response.image_type, len(response.image_data_float)))
AirSimClient.write_pfm(os.path.normpath('/temp/py1.pfm'), AirSimClient.getPfmArray(response))
else:
print("Type %d, size %d" % (response.image_type, len(response.image_data_uint8)))
AirSimClient.write_file(os.path.normpath('/temp/py1.png'), response.image_data_uint8)
收集训练数据
从 AirSim 中生成用于深度学习的数据，最简单的方法是按右下角的记录按钮，点击后，系统会记录并写入每一帧的飞行姿态和图像信息。当然，你也可以接入其 APIs，根据训练项目的需求，获取你想要的训练数据。
计算机视觉模式
在该模式下，你可以通过键盘或 APIs 代码指令来控制飞行器的姿态并获取当前显示图像的深度、视差、地面法线、图像分割等信息，你还可以设置分辨率、人称视角、动态模糊等参数。
小结
如果只是用 AirSim 来练习飞行技巧的话，就有点「大材小用」了，微软开发 AirSim 的初衷是希望帮助你做些 AI-things。AirSim 的 APIs 采用 RPC 协议，支持 C++，Python，C# 和 Java 等多种语言。同时，APIs 被封装成独立的跨平台库，模拟器的执行代码也可以在真实的无人机上进行编译执行，所以训练数据是可以互通的。
AirSim 可以记录使用者的操控行为，并作为深度学习神经网络的训练数据，比如通过大量记录使用者躲避障碍物的操控方式，可以让 AI 学习区分阴影与深色墙壁的差别。虽然虚拟环境不能完全替代现实环境下的测试，但能以这种低成本的方式获得海量的数据，对于要开发无人机或自动驾驶技术的公司来说，简直是一项大福利。
最后说句，因为钟德夫（就是 DroneDev 啦）上周出差了，所以拖延了一把，本来文章里还会提到 AirSim 的安装方法，不过没曾想单是 UE4 在 Mac OS 上的环境配置就有那么多坑，所以具体的配置方法和上手体验会放到下一篇推送里，嘿嘿。