Show HN: 开源 AI 赛车模拟框架解读

背景

今年早些时候，Anduril 宣布了一项名为 AI Grand Prix 的自动驾驶无人机竞速比赛，总奖金高达 50 万美元。这项赛事旨在测试参赛者在自主飞行控制方面的能力。然而，官方提供的虚拟资格赛 1（Virtual Qualifier 1）模拟器迟迟未发布，导致参赛队伍无法提前进行代码开发和调试。

在此背景下，Elodin 团队决定开源其内部开发的 AI Grand Prix 练习用模拟框架（Practice Rig）。该框架基于 Elodin 多年来为航空航天领域构建的高保真模拟经验，旨在让参赛者及任何对 AI 飞行控制感兴趣的人，能够在官方模拟器发布之前，立即开始编写自动驾驶代码。该项目已托管在 GitHub 上（github.com/elodin-sys/ai-grand-prix），支持 macOS 和 Linux 系统，安装过程仅需通过 uv sync 同步依赖并花费 5 分钟构建 Betaflight 即可（WSL 环境也可行）。

核心内容

1. Elodin 的诞生与演进

Elodin 的创始人拥有游戏开发背景，曾参与《模拟人生 4》（The Sims 4）的开发。他意识到游戏引擎在模拟底层逻辑、确定性回放、内容管线以及非工程师友好的编辑器方面有着极高的打磨程度，而航空航天领域的工具链却显得支离破碎。大多数团队不得不将 MATLAB/Simulink、Gazebo 和自研 Python 框架拼凑在一起，且稳定性难以保证。

Elodin 团队花费数年时间，深入无人机、卫星、导弹等客户现场，将模拟器建立在真实的飞行数据之上，补齐了那关键的 20% 功能，使模拟环境从“演示级”转变为“飞行软件团队可依赖”的生产级工具。其核心目标是将搭建有用模拟环境的时间从数周缩短至数小时。

2. 技术架构详解

该开源框架并非简单的游戏移植，而是由以下核心组件构成：

• 物理核心 (Nox)：基于 Rust ECS（实体组件系统）架构，采用 JIT 编译的物理引擎。物理逻辑使用类 JAX 风格的代码，即对类型化组件应用 @el.map 函数。这种设计使得蒙特卡洛模拟、GPU 加速以及比特级确定性回放成为自然结果。
• 3D 编辑器与数据库：通过 TCP 连接至时间序列遥测数据库（elodin-db），实时绑定 GLB 模型、图表和摄像头 feed 到 ECS 组件。
• 进程管理器 (s10)：负责启动模拟所需的各类进程（如飞控、渲染服务器、外部估计器），确保 Python 入口点能灵活调度资源。

3. 模拟器的具体实现

为了模拟 AI Grand Prix 的比赛环境，该练习框架将三个关键部分通过一个后步回调函数连接在一起：

• 物理模拟：Elodin 负责 6-DOF（六自由度）刚体物理、电机动力学、空气阻力、地面约束以及多速率传感器（IMU/气压计/磁力计）。渲染采用 GPU 加速的 640×360 前向摄像头，倾斜角度为 +20°，以匹配 VADR-TS-002 规范。
• 飞控模拟 (Betaflight)：运行真实的 Betaflight SITL（软件在环）构建版本（Master 分支），并启用 ENABLE_SIMULATOR_GYROPID_SYNC，使其 PID 循环在每个 FDM（飞行数据消息）数据包上阻塞，从而真实反映硬件飞控的行为。
• 桥接层：一个约 80 行的 Python 脚本，通过 UDP 序列化 FDM/RC/PWM 数据包，以 1 kHz 的频率同步驱动物理引擎和飞控。这意味着参赛者调优控制器时，面对的是与实体硬件完全一致的 Betaflight 逻辑。

4. 参赛者接口与限制

参赛者只需修改 solver/ 目录下的单一 Python 函数 autopilot(update: SensorUpdate) -> RCCommand。该函数每 tick 被调用一次，接收机身坐标系 IMU、世界姿态、气压计、磁力计以及可选的 RGBA 摄像头帧。

关键限制与规范：

• 无 GPS、无深度信息、无电机 RPM：这与官方模拟器的遥测合同一致。
• 通信协议：使用 Betaflight 的 UDP 数据包而非 MAVLink。这意味着基于此框架开发的代码在接入官方模拟器时可能需要一个薄层 shim 进行适配。
• 坐标系：当前暴露的是 ENU（东-北-上）世界状态，而规范指定的是 NED（北-东-下）。
• 大气效应：仅包含单一阻力系数，无湍流、无地面效应、无电池电压下降模拟。
• 摄像头视场角 (FoV)：规范存在内部不一致（声称 VFoV=90°，但内参暗示 VFoV≈58.72°）。框架遵循内参数据，假设官方渲染器也会如此处理。

5. 使用流程

用户需安装 uv、git、git lfs 及 C 工具链。安装步骤如下：

1. 运行 scripts/install_elodin.sh 安装 CLI 和数据库。
2. 执行 uv sync 同步 Python 依赖。
3. 初始化 Betaflight 子模块并构建。
4. 运行 elodin editor sim/main.py 启动编辑器。

启动成功后，终端将显示 SITL 集成成功及比赛摘要，编辑器将打开追逐摄像头和 FPV 视图，用户可在时间线上拖拽查看回放。

关键要点

• 填补空白：在官方 AI Grand Prix 模拟器发布前，Elodin 开源了高保真练习框架，允许团队提前迭代算法。
• 真实飞控集成：通过 UDP 桥接，以 1 kHz 频率同步运行真实的 Betaflight SITL，确保 PID 调优与实体硬件行为一致。
• 高性能物理引擎：基于 Rust ECS 和 JIT 编译的 Nox 物理核心，支持 GPU 加速和确定性回放，解决了航空航天工具链稳定性差的问题。
• 极简接口：参赛者仅需实现一个 Python 函数，接收标准传感器数据并输出 RC 指令，无需处理底层通信协议。
• 已知局限：
  • 使用 UDP 而非 MAVLink，接入官方模拟器需适配。
  • 坐标系为 ENU 而非规范指定的 NED。
  • 大气模型简化，无湍流和地面效应。
  • 摄像头 FoV 遵循内参而非文本描述，可能存在细微偏差。
• 开箱即用：提供了一个基础的 PID 求解器作为基线，确保用户第一天即可实现起飞和穿越门架。

意义与影响

Elodin 此次开源不仅是一个竞赛工具，更是游戏引擎技术向航空航天领域渗透的典型案例。它展示了如何利用现代游戏开发中的工程实践（如 ECS 架构、确定性回放、非工程师友好的编辑器）来解决传统航空航天模拟工具链中存在的碎片化和低效问题。

对于 AI Grand Prix 参赛者而言，该框架提供了接近真实的调试环境，特别是 Betaflight 的精确模拟，使得软件算法的优化可以直接映射到硬件性能上。尽管存在坐标系和通信协议的差异，但其核心价值在于提供了一个可快速迭代、高保真的基准平台。

此外，Elodin 团队公开了架构中的“改进机会”列表，并欢迎社区贡献 PR。这表明他们不仅希望提供一个竞赛工具，更希望构建一个开放的生态系统，通过社区反馈完善其在硬实时控制、Python 胶水代码瓶颈以及确定性回放抽象泄漏等方面的技术探索。这对于推动 AI 在自主系统领域的标准化和工程化落地具有积极的示范意义。