Develop: Multiple Vehicle TinyLiDARNet

このドキュメントでは、2026年度のシミュレーション大会をFBを元に改善しながら提供している学習教材を使ったTinyLiDARNetの複数台走行のsetup方法・実行方法について説明します。

Setup

AI Challengeのドキュメントに従って、

仮想環境のインストール
描画ありAWSIMの起動
- ただし、こちらから、SimPracticeFor2026内のAWSIM.zipをダウンロードして使用してください。
- AWSIMの配置についてはこちらのページを参考に、aichallenge-racingkart/aichallenge/simulatorに配置してください。実行ファイルがaichallenge-racingkart/aichallenge/simulator/AWSIM/AWSIM.x86_64に存在していることを確認してください。
大会用リポジトリのビルド・実行

までを実施してください。

また、2025年度大会の参加者の方は再度dockerのpullとbuildが必要になりますので仮想環境のinstallのページを再度ご参考ください。

TinyLiDARNetの学習手順

TinyLiDARNetの学習には、Autowareから取得したrosbagが必要です。このセクションでは、rosbagの取得方法から、TinyLiDARNetの学習・デプロイまでの手順を説明します。

Step1. コンテナの操作

このStepでは、複数のTerminalを用います。

cd ~/aichallenge-racingkart;./docker_run.sh dev

をdocker環境の外で実行すれば、コンテナ内で複数のTerminalを開くことができます。3回繰り返して、合計4つのTerminalを開いてください。また、ROS2をコンテナのシェルに認識させる必要があるので、以下のコマンドをコンテナ内で打つようにしてください。

source /opt/ros/humble/setup.bash
source /autoware/install/setup.bash
source /aichallenge/workspace/install/setup.bash

Terminal 1: AWSIMの起動

./docker_run.sh
./run_simulator.bash

下記のような画像がでてきます。何人対戦にするか選択しましょう。ここでは4人プレイとしてすすめるので4を選択します。

awsim

スタートを押すと下記のようにAWSIMが起動します。

awsim

Terminal 2: Autoware1の起動

./docker_exec.sh
./run_autoware.bash awsim 1

Initial poseを設定してください。

Initial poseを指定する際は、RvizのviewをThirdPersonFollowerからTopdownOrthoに切り替える必要があります。

設定できたら、AWSIMの画面右上にあるControlボタンを押し、ManualからAutonomousに切り替えます。

awsim

Terminal 3: ROS Topicの確認

下記のコマンドでAutoware1のいるドメインIDのros topicを購読することができます。

./docker_exec.sh
export ROS_DOMAIN_ID=1
ros2 topic list

下記のコマンドでシミュレーターがやり取りしているdomain id(=0) のros topicを購読することができます。

./docker_exec.sh
export ROS_DOMAIN_ID=0
ros2 topic list

domainIDごとに見ることができるtopicが異なるため、データ取得の際は注意してください。

Terminal 4: rosbagの記録開始

./docker_exec.sh
export ROS_DOMAIN_ID=1
cd ml_workspace
./record_rosbag.bash

走行が終わったら、Ctrl+Cでrosbagの記録を停止します。記録されたrosbagは、/aichallenge/ml_workspace/rawdata/$(date +%Y%m%d-%H%M%S)に保存されます。rosbagはディレクトリ単位で管理されるものなので、この場合は$(date +%Y%m%d-%H%M%S)が一つの記録の単位となります（内部に.mcap形式のファイルが蓄積されていきます）。

例えば20251226-233714であれば2025年12月26日23時37分14秒に作られたデータという意味になります。本当は訓練と検証データを別のものにする、データを選定するなどの工夫をすべきですが、一旦流れを掴むために訓練データと検証データに取得したデータを下記のコマンドでそのままいれてしまいます。

cp -r /aichallenge/ml_workspace/rawdata/* /aichallenge/ml_workspace/train

cp -r  /aichallenge/ml_workspace/rawdata/* /aichallenge/ml_workspace/val

※ちなみに、autowareの経路追従を使わず手動でデータを収集することもできます。

Terminal 2で

./run_autoware.bash awsim 1

の代わりに

export ROS_DOMAIN_ID=1
ros2 launch teleop_manager teleop_manager.launch.xml

を打ってみてください。Joycon等のコントローラからの入力を使って走行できます。

Step2. Dataset conversion

rosbagを学習用datasetに変換します。

cd /aichallenge/ml_workspace/tiny_lidar_net/

python3 /aichallenge/ml_workspace/tiny_lidar_net/extract_data_from_bag.py --bags-dir /aichallenge/ml_workspace/train/ --outdir /aichallenge/ml_workspace/tiny_lidar_net/dataset/train/

以下のような出力が得られたら成功です。

[INFO] [PID:99328] Found 1 bags. Starting processing with 1 workers.
[INFO] [PID:99356] Saved rosbag2_autoware: 413 samples (Total: 0.13s)
[INFO] [PID:99328] All processing finished in 0.34 seconds.

trainだけでなく、validation setも変換しておきましょう。

cd /aichallenge/ml_workspace/tiny_lidar_net/
python3 /aichallenge/ml_workspace/tiny_lidar_net/extract_data_from_bag.py --bags-dir /aichallenge/ml_workspace/train/ --outdir /aichallenge/ml_workspace/tiny_lidar_net/dataset/train/

Step3. Model training

python3 /aichallenge/ml_workspace/tiny_lidar_net/train.py

CPUで学習を回したい場合や、RTX 50 seriesなどを用いていて、CUDAがこの環境に対応していない場合は、以下を実行してください。

CUDA_VISIBLE_DEVICES="" python3 /aichallenge/ml_workspace/tiny_lidar_net/train.py

Step4. Model deployment

.pthから.npyに変換します

python3 /aichallenge/ml_workspace/tiny_lidar_net/convert_weight.py --ckpt /aichallenge/ml_workspace/tiny_lidar_net/checkpoints/best_model.pth --output /aichallenge/ml_workspace/tiny_lidar_net/weights/converted_weights.npy

以下のような出力が得られれば成功です。

✅ Loaded checkpoint: /aichallenge/ml_workspace/tiny_lidar_net/checkpoints/best_model.pth
✅ Saved NumPy weights to: weights/converted_weights.npy

作成したconverted_weights.npyを、ROS 2 package内のckptディレクトリに移動します。

cp /aichallenge/ml_workspace/tiny_lidar_net/weights/converted_weights.npy /aichallenge/workspace/src/aichallenge_submit/tiny_lidar_net_controller/ckpt/tinylidarnet_weights.npy

Step5. Run TinyLiDARNet Sample ROS Node

reference.launch.xmlにおけるcontrol modeを、rule_basedからe2eに変更しましょう。

Terminal 1: AWSIMの起動確認

./docker_exec.sh # すでにDockerを起動している場合はSkip
./run_simulator.bash

Terminal 2: Autoware1の起動確認

./docker_exec.sh #すでにDockerを起動している場合はSkip
./run_autoware.bash awsim 1

Terminal 3: Autoware2の起動確認

./docker_exec.sh #すでにDockerを起動している場合はSkip
./run_autoware.bash awsim 2

. . .

Terminal 4: Autoware4の起動確認

./docker_exec.sh #すでにDockerを起動している場合はSkip
./run_autoware.bash awsim 4

こちらのlinkを参考にし、initial poseを設定してください。

設定できたら、AWSIMの画面右上にあるControlボタンを押し、ManualからAutonomousに切り替えます。

awsim

アクセル制御の追加

現在のdefault設定では、TinyLiDARNetはステアリング制御のみを行い、アクセルは固定値で制御しています。control_mode: "ai"に変更し、アクセル制御もTinyLiDARNetに実施させてみましょう。

TinyLiDARNetでのOvertake

単独走行であれば、ML Plannerを用いる必要性は低いですが、複数台走行の場合は、overtakeといった高度な意思決定が必要となり、機械学習の活躍場面が増えます。複数台走行用のAWSIMを使用すれば、複数台走行データを収集・学習することができます。

awsim

Rvizの設定

sensorモジュールはBestEffortでpublishしています。Rvizのtopicの設定をReliableからBestEffortにしてください。

awsim