Учебный стенд «Autonomous Driving в City Sample»¶

Учебно-технический гайд для преподавателей и студентов курсов по робототехнике и автономному управлению. Описывает готовый учебный стенд, как поднять его одной командой, и три прогрессивных урока — от простого Twist publish до собственной CNN+PPO-модели и классификатора светофоров.

1. Что это такое и для кого¶

City Sample — это учебный стенд для autonomous driving, построенный на платформе uav-simulator. Он предоставляет визуально полноценный город из POLYGON City Pack, реализованный как track-плагин track.city_polygon.v1, по которому ездят несколько разноцветных arcade-машин (vehicle.arcade.blue.v1, vehicle.arcade.red.v1, vehicle.arcade.gray.v1, vehicle.arcade.purple.v1). На центральном перекрёстке стоят четыре светофора с FSM-циклом Red → Green → Yellow. NPC-машины следуют по графу путевых точек и тормозят на красный свет.

Стенд решает несколько проблем университетского курса по автономному вождению:

Низкий порог входа. Студент не разбирается с Unity, ассетами и build pipeline'ом — он получает готовую сцену через make city-demo-up и сразу пишет свой controller.
Тот же стек, что в индустрии. ROS2 Humble, топики cmd_vel, odom, camera/front/image_raw, namespace per agent — всё, что есть в реальной разработке self-driving стека.
Прогрессивная сложность. От «опубликуй Twist» (Урок 1) до «обучи свою CNN+PPO-policy» (Урок 2) и «классифицируй светофоры» (Урок 3) — три уровня без необходимости менять стенд.
Без железа. Курс идёт целиком в симуляции, поэтому масштабируется на любую группу. Sim-to-real остаётся опционален: тот же policy, обученный в симе, можно потом задеплоить на физический KS0223 без изменения интерфейса.

Аудитория:

Преподаватели — получают runbook и три готовых урока с критериями оценки. Не нужно собирать стенд с нуля.
Студенты бакалавриата (3–4 курс) — Урок 1 как лаб-работа на пару.
Студенты магистратуры — Уроки 2 и 3 как часть исследовательского проекта или диплома.

Эта глава — учебный runbook. За архитектурой плагин-системы и Python training pipeline отсылаем к диссертации: глава 3 «Реализация платформы» описывает PluginRegistry и SimulationManager, а глава 6 «Программная обвязка обучения» — sim_client, SubprocVecEnv и rollout-сбор для PPO.

1.1. Чем стенд отличается от готовых решений¶

В сообществе уже есть несколько похожих учебных стендов: CARLA, AirSim, Duckietown, Webots-based курсы. У каждого свои сильные стороны, и наш стенд не пытается их заменить — он закрывает специфический случай.

CARLA. Очень богатый симулятор, но требует мощной видеокарты и долгого onboarding'а. Для пары лаб-работ — тяжеловат. Наш стенд проще ставить и дешевле в эксплуатации.
AirSim. Сфокусирован на дронах (хотя есть Car). Платформа Microsoft заморожена и переходит в Project AirSim — нестабильность.
Duckietown. Отличная история про физическое железо, но Sim в Duckietown — отдельная вселенная, которую сложно расширять собственными плагинами.
uav-simulator (наш). Намеренно компромиссный: визуально достойный, но без масштаба CARLA; переиспользует ROS2-стек, который студенты увидят в любой компании; запускается одной командой и расширяется через plugin-систему. Цель — научить, а не впечатлить.

2. Quick start (one-command launch)¶

Стенд запускается одной командой через make city-demo-up. Поднимаются два контейнера (backend Web UI + ROS2-bridge), Unity Editor живёт на хосте.

2.1. Предусловия¶

macOS / Linux с Docker (или Docker Desktop) и docker compose.
Установленный Unity Hub + Unity Editor 6000.1.8f1 (см. версию в Makefile → UNITY_VERSION).
POLYGON City Pack из Asset Store, импортированный в src/UnityProject/uav-simulator (он уже подключён через track.city_polygon.v1).
Свободные порты на хосте: 5058 (Web UI), 8000 (rusim sim API), 7400+ (DDS ROS2).

2.2. Шаги запуска¶

# 1. Открыть Unity Editor с публичным API
make sim-public

# 2. В Unity нажать Play, дождаться загрузки сцены city_polygon

# 3. Загрузить сценарий с несколькими агентами (отдельный терминал)
rusim scenario load configs/scenarios/demo-city-polygon.yaml \
  --base-url http://127.0.0.1:8000

# 4. Поднять Docker-стек (backend + ROS2-bridge)
make city-demo-up

# 5. Проверить статус
make city-demo-status

# 6. Открыть Web UI
open http://localhost:5058

После этого:

В Web UI вы видите телеметрию всех агентов и видеопоток с их камер.
В контейнере city-demo-ros2-bridge поднят multi-agent bridge, публикующий ROS2 топики в namespace /uavsim/<agent_id>.

2.3. Полезные команды¶

make city-demo-logs    # tail логов backend + bridge
make city-demo-status  # docker compose ps
make city-demo-down    # стоп и убрать контейнеры

Убрать стенд полностью — make city-demo-down, остановить Unity Editor и закрыть Hub. Ничего на хосте не остаётся, кроме папки .rusim/runtime/logs с логами backend.

3. Архитектура стенда¶

Стенд разделён на три зоны: симуляция (Unity Editor на хосте), бэкенд (контейнер с Web UI и ASP.NET Core API) и ROS2-зона (контейнер с bridge'ом и пользовательскими policy nodes).

flowchart LR
    subgraph host[Host machine]
        UE["Unity Editor 6000.1.8f1<br/>track.city_polygon.v1<br/>vehicle.arcade.{blue,red,gray,purple}.v1"]
    end

    subgraph backend_c[Container: city-demo-backend]
        API["ASP.NET Core 5058<br/>WebUI + Scenarios API"]
    end

    subgraph ros_c[Container: city-demo-ros2-bridge]
        BR["ros2_bridge_multi.py<br/>--agents auto"]
        POL["Your policy node<br/>(student code)"]
    end

    User[Студент / преподаватель] -->|browser| API
    API -->|HTTP /step /state| UE
    BR -->|HTTP /step /state| UE
    BR -->|/uavsim/&lt;id&gt;/odom| POL
    BR -->|/uavsim/&lt;id&gt;/camera/front/image_raw| POL
    POL -->|/uavsim/&lt;id&gt;/cmd_vel| BR

3.1. Компоненты¶

Компонент	Где живёт	Роль
Unity Editor	хост	физическая симуляция, рендер камер, FSM светофоров, NPC-трафик
`track.city_polygon.v1`	Unity (плагин)	загружает POLYGON City Pack аддитивно, ставит светофоры и waypoint-граф
`vehicle.arcade.{color}.v1`	Unity (плагин)	четыре arcade-машины, отличаются цветом и spawn-точкой
`city-demo-backend`	Docker	ASP.NET Core, Web UI (`localhost:5058`), `/api/scenarios/*`, `/api/health`
`city-demo-ros2-bridge`	Docker	`ros2_bridge_multi.py`, ROS2 Humble, namespace per agent
Policy node (вы пишете)	Docker / хост	подписывается на ROS2 топики, публикует `cmd_vel`

3.2. ROS2 топики¶

Каждый агент получает свой namespace /uavsim/<agent_id>. Bridge автоматически создаёт каналы для всех агентов, найденных в Unity (--agents auto).

Topic (пример для `agent.blue`)	Тип	Direction	Что внутри
`/uavsim/agent.blue/odom`	`nav_msgs/Odometry`	bridge → policy	поза + линейная/угловая скорость
`/uavsim/agent.blue/speedometer/mps`	`std_msgs/Float32`	bridge → policy	скаляр скорости в м/с
`/uavsim/agent.blue/battery_state`	`sensor_msgs/BatteryState`	bridge → policy	заряд (для realism)
`/uavsim/agent.blue/ultrasonic/front`	`sensor_msgs/Range`	bridge → policy	передний УЗ-датчик
`/uavsim/agent.blue/camera/front/image_raw`	`sensor_msgs/Image`	bridge → policy	RGB-кадр с камеры (raw)
`/uavsim/agent.blue/camera/front/image_raw/compressed`	`sensor_msgs/CompressedImage`	bridge → policy	JPEG-сжатый поток
`/uavsim/agent.blue/state_json`	`std_msgs/String`	bridge → policy	сырой JSON `/state` для отладки
`/uavsim/agent.blue/telemetry_json`	`std_msgs/String`	bridge → policy	парсенная KS0223-телеметрия
`/uavsim/agent.blue/cmd_vel`	`geometry_msgs/Twist`	policy → bridge	ваша команда: `linear.x`, `angular.z`
`/uavsim/agent.blue/cmd_drive_json`	`std_msgs/String`	policy → bridge	низкоуровневый формат «throttle/steer»

Bridge перекладывает cmd_vel в KS0223-команды на лету. linear.x ограничен примерно [-1.5, 1.5] м/с, angular.z — [-2.5, 2.5] рад/с (точные пределы — в sim_client/ks0223.py). За пределами диапазона значения клиппятся, не выбрасываются.

3.3. Шаг симуляции и тики bridge¶

Bridge работает в режиме step-and-publish. Каждые 1 / rate-hz секунд он:

Перебирает всех зарегистрированных агентов (по дефолту — --agents auto, список читается из /state Unity).
Для каждого агента берёт последнее значение cmd_vel из in-memory кеша, конвертирует в KS0223-команду и шлёт POST /step с targetAgentId.
Получает обратно состояние агента (поза, скорость, sensors, опционально кадр камеры) и публикует ROS2 топики в namespace.

Это означает: если ваш policy node публикует cmd_vel чаще, чем rate-hz, лишние сообщения теряются — bridge берёт только последнее. Если публикует реже — последняя команда «залипает» до следующей. Дефолтная частота — 30 Гц для city-demo (docker-compose.city-demo.yml), её можно понизить до 10–15 Гц на слабых машинах.

3.4. Где живут конфиги и логи¶

Путь на хосте	Что там
`configs/scenarios/demo-city-polygon.yaml`	сценарий с 4 агентами и city track
`python/bridges/ros2_bridge_multi.py`	исходник bridge
`python/sim_client/`	Python SDK для rusim API (используется и backend'ом, и bridge'ом)
`.rusim/runtime/logs/`	логи backend (mounted в контейнер)
`docker-compose.city-demo.yml`	определение стека

4. Урок 1 — Подключить policy через ROS2 cmd_vel¶

Цель. За пару написать policy-node, который ездит по кругу, останавливается на красный свет и разворачивается, увидев препятствие ближе 0.7 м.

Что отрабатывается. ROS2 Python (rclpy), publisher/subscriber, работа с geometry_msgs/Twist, nav_msgs/Odometry, sensor_msgs/Range. ML здесь не нужен — это разогрев.

4.1. Скелет node¶

Создайте файл python/student/lesson1_round_robin.py:

import rclpy
from rclpy.node import Node
from geometry_msgs.msg import Twist
from sensor_msgs.msg import Range


class RoundRobinDriver(Node):
    def __init__(self, agent_id: str = "agent.blue") -> None:
        super().__init__("round_robin_driver")
        ns = f"/uavsim/{agent_id}"
        self.cmd_pub = self.create_publisher(Twist, f"{ns}/cmd_vel", 10)
        self.create_subscription(
            Range, f"{ns}/ultrasonic/front", self._on_range, 10
        )
        self.create_timer(0.05, self._tick)
        self._obstacle = False

    def _on_range(self, msg: Range) -> None:
        self._obstacle = msg.range < 0.7

    def _tick(self) -> None:
        cmd = Twist()
        if self._obstacle:
            cmd.linear.x = 0.0
            cmd.angular.z = 1.5
        else:
            cmd.linear.x = 0.6
            cmd.angular.z = 0.4  # лёгкий поворот → круг
        self.cmd_pub.publish(cmd)


def main() -> None:
    rclpy.init()
    rclpy.spin(RoundRobinDriver())
    rclpy.shutdown()


if __name__ == "__main__":
    main()

4.2. Запуск¶

# Внутри ros2-bridge контейнера (стек должен быть up)
docker exec -it city-demo-ros2-bridge bash -lc \
  "source /opt/ros/humble/setup.bash &&
   python3 /workspace/python/student/lesson1_round_robin.py"

Файл прокидывается в контейнер через volume ./python:/workspace/python:ro, поэтому редактируется на хосте, не пересобирая образ.

4.3. Критерии приёмки¶

[ ] Машина едет по часовой стрелке без столкновений ≥ 60 секунд.
[ ] При появлении препятствия в 0.7 м перед ней linear.x падает в 0.
[ ] В RViz видно /uavsim/agent.blue/odom с обновлением ≥ 10 Гц.

4.4. Дополнительные задания (бонус)¶

Подключиться к двум агентам одновременно — каждый со своим controller'ом.
Добавить подписку на state_json и логировать координаты центра масс.
Считать, сколько раз агент проехал перекрёсток (по координатам).

4.5. Что важно объяснить студенту¶

Урок выглядит игрушечным, но отрабатывает идеи, которые потом повторяются в любом RL-курсе. Преподавателю стоит проговорить:

Async vs sync control. Bridge работает на фиксированной частоте. Студент пишет publisher на 20 Гц, а bridge пушит в Unity на 30 Гц — значения «резиновые», но это нормально для policy-кода.
Что такое observation, на самом деле. В Уроке 1 obs — это скаляр range. Уже здесь видно, что разные топики публикуются с разной частотой и не синхронизированы — на этом месте многие «начинающие» спотыкаются, когда переходят к Уроку 2.
Coordinate frames. odom приходит в frame odom, ребёнок base_link_<agent_id>. Без TF никаких лазеров и SLAM. На этом можно сделать отдельный мини-урок про tf2_ros.

5. Урок 2 — Заменить waypoint follower на свой ML-controller (CNN + PPO)¶

Цель. Обучить PPO-policy, которая держит машину в полосе, используя только RGB-кадр с фронт-камеры. Архитектура — небольшая CNN (SmallVisualBackbone) + MLP head, такая же, как в основном sim2real training pipeline.

Что отрабатывается. Reinforcement learning, sim_client API (reset/step), reward design, sb3 PPO, eval-протокол.

5.1. Postановка задачи¶

Observation: RGB-кадр 84×84 + текущая скорость (м/с).
Action: (throttle, steer) нормализованные в [-1, 1]. Bridge переводит их в KS0223-команды.
Reward: +v_forward * dt за движение вперёд, -1.0 за столкновение, -0.1 * |steer_change| за дёрганый руль.

Эпизод заканчивается через 60 секунд или при выезде за полосу.

5.2. Использовать готовый pipeline¶

В репозитории уже есть python/training/ppo_train.py (PPO + sb3) и python/sim_client/uav_env.py — Gym-обёртка над rusim API. Магистрант запускает следующий командой:

python -m training.ppo_train \
  --scenario configs/scenarios/demo-city-polygon.yaml \
  --vehicle vehicle.arcade.blue.v1 \
  --total-timesteps 1_000_000 \
  --rev city-lesson2-rev01

Тренинг сохраняет чекпоинты в .rusim/runs/city-lesson2-rev01/. Если у студента нет GPU, запустить можно на CPU — на city-сцене с 4-мя агентами один rollout идёт ~20 минут до первой осмысленной policy.

5.3. Подключить обученную policy к ROS2¶

После обучения policy выгружается в *.zip (формат sb3) и запускается из bridge-контейнера:

import rclpy
from rclpy.node import Node
from geometry_msgs.msg import Twist
from sensor_msgs.msg import Image
from stable_baselines3 import PPO
import cv2
import numpy as np


class CnnPolicyDriver(Node):
    def __init__(self, model_path: str, agent_id: str = "agent.blue"):
        super().__init__("cnn_policy_driver")
        self.model = PPO.load(model_path)
        ns = f"/uavsim/{agent_id}"
        self.cmd_pub = self.create_publisher(Twist, f"{ns}/cmd_vel", 10)
        self.create_subscription(
            Image, f"{ns}/camera/front/image_raw", self._on_image, 10
        )

    def _on_image(self, msg: Image) -> None:
        img = np.frombuffer(msg.data, dtype=np.uint8).reshape(
            msg.height, msg.width, 3
        )
        obs = cv2.resize(img, (84, 84))
        action, _ = self.model.predict(obs, deterministic=True)
        cmd = Twist()
        cmd.linear.x = float(action[0]) * 1.2
        cmd.angular.z = float(action[1]) * 2.0
        self.cmd_pub.publish(cmd)

5.4. Критерии приёмки¶

[ ] Среднее по 5 эпизодам — машина проезжает ≥ 200 метров без столкновений.
[ ] TensorBoard показывает рост rollout/ep_rew_mean от старта к концу обучения.
[ ] Policy перенесена в bridge-контейнер и подписана на ROS2 топик — не падает при отсутствии кадра (graceful degradation).

5.5. Расширения¶

Заменить SmallVisualBackbone на R3M (предобученный visual encoder из работы Meta). По нашим экспериментам R3M снижает variance между сидами — особенно ценно при heavy domain randomization.
Добавить frame-stacking (4 последних кадра) — сделать temporal reasoning явным. Полезно, когда нужно отличить «стою и пытаюсь поехать» от «еду и тормозит инерция».
Domain randomization — менять освещение и текстуры между эпизодами, готовить sim2real. У platform'ы есть готовый scenario hook (см. главу 6 диссертации), студент только подбирает диапазон.
Curriculum learning — начать с пустого city без NPC, постепенно добавлять траффик и пешеходов. На пустом сценарии PPO сходится за 300k шагов, на полном — может потребоваться 2–3 М.

5.6. Типичные грабли¶

Перечень частых ошибок, которые мы видим у магистрантов:

Reward hacking. Если в reward сильно весит «среднее ускорение», policy учится дёргано газовать-тормозить — формальный reward растёт, визуально это сломано. Решение — добавить штраф на Δ a / dt.
Off-policy data в on-policy алгоритме. PPO — on-policy, собранные старой policy данные нельзя переиспользовать. Это затрудняет offline-debugging — добавьте eval rollouts в TensorBoard.
Camera latency. В реальном KS0223 картинка приходит с задержкой ~150 мс. В симе задержки нет, и policy переучивается «реагировать мгновенно». При sim2real падает в первый же поворот. Лечится тем, что в Уроке 5 студент сам введёт искусственную задержку (одна строка в bridge'е).

6. Урок 3 (advanced) — CNN-классификатор светофоров¶

Цель. Собрать датасет кадров со светофорами, обучить ResNet18-классификатор {red, yellow, green, none}, интегрировать выход в policy-логику (на красный — тормозить независимо от RL).

Урок более исследовательский — у студента уже есть навыки из Урока 2, теперь он работает с supervised learning + интеграцией нескольких моделей.

6.1. Сбор датасета¶

Платформа умеет писать кадры в файлы через scenario recorder. Запустите сценарий с recorder'ом:

# configs/scenarios/city-tld-collect.yaml
scenarioId: city.tld.collect.v1
trackId: track.city_polygon.v1
agents:
  - id: agent.blue
    vehicleId: vehicle.arcade.blue.v1
recorder:
  enabled: true
  output: .rusim/runtime/datasets/tld
  fps: 5

Дайте машине покататься 10–15 минут под человеческим управлением (через WebUI joystick) или под Урок-1-policy. Получите ~3000–5000 кадров.

Разметка — вручную в Label Studio или CVAT. Для дипломной работы этого достаточно; для production ML использовали бы semi-automatic labelling.

6.2. Обучение классификатора¶

python/training/tld_classifier.py (студент пишет сам, ~50 строк):

import torch
import torch.nn as nn
from torchvision import models, transforms

class TLDClassifier(nn.Module):
    def __init__(self, num_classes: int = 4) -> None:
        super().__init__()
        self.backbone = models.resnet18(weights="DEFAULT")
        self.backbone.fc = nn.Linear(512, num_classes)

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        return self.backbone(x)

Стандартный обучающий цикл: cross-entropy, Adam, 10 эпох на 80/20 split. Должна получиться точность ≥ 92% на test set, иначе разметка плохая.

6.3. Интеграция в policy¶

В Уроке 2 policy node добавляется второй проход:

state = self.tld_model(preprocess(img)).argmax().item()  # 0=red, 1=yellow, 2=green, 3=none
if state == 0:  # red
    cmd.linear.x = 0.0
else:
    # обычная RL-policy
    action, _ = self.rl_model.predict(obs)
    cmd.linear.x = float(action[0]) * 1.2
    cmd.angular.z = float(action[1]) * 2.0

6.4. Критерии приёмки¶

[ ] Test accuracy ≥ 92%.
[ ] Машина останавливается перед красным светофором в ≥ 9 из 10 попыток.
[ ] Confusion matrix приведена в отчёте, проанализирована — какие классы путаются и почему.

7. Расширения и направления развития¶

City Sample спроектирован как платформа, не как «закрытый» лаб-сетап. Вот несколько направлений, которые отлично подходят для курсовых, дипломов и магистерских:

Multi-agent cooperation. В стенде уже работают четыре агента — поставить задачу: не только не столкнуться, но и пропускать друг друга на перекрёстке. Multi-agent PPO (MAPPO) или CTDE-схемы становятся естественным расширением.
Sim-to-real transfer на KS0223. Тот же интерфейс ROS2 топиков работает на физическом KS0223 (см. reference_robot_ssh.md). Policy, обученный в city-симе, можно задеплоить на робота без изменения кода — сменится только источник /odom и /camera.
Замена world-модели. track.city_polygon.v1 — один из вариантов; можно подключить Russian Roads, Windridge City или собственный city-asset через PluginRegistry. См. главу 7 диссертации («Plugin Development») — описан полный workflow создания нового track-плагина.
End-to-end CNN на компрессированном видео. Использовать image_raw/compressed (JPEG) вместо raw — экономия пропускной способности, более реалистичный сценарий для встраиваемых платформ.
Imitation learning из человеческих демонстраций. Recorder уже собирает не только кадры, но и cmd_vel — можно учить behavior cloning или DAgger.
OOD-детекция. Учить второй head, предсказывающий «уверенность» — падает на новых сценах. Тема для исследовательской работы.

8. Troubleshooting¶

Список самых частых проблем при первом запуске. Если ваша проблема не здесь — make city-demo-logs обычно сразу показывает причину.

8.1. `make city-demo-up` запускается, но bridge не видит агентов¶

[ros2-bridge] No agents discovered after 30 seconds, exiting.

Причина. Unity Editor не в PlayMode или не загружен сценарий. Решение. Откройте Unity, нажмите Play, выполните rusim scenario load configs/scenarios/demo-city-polygon.yaml. Только после этого docker compose restart ros2-bridge.

8.2. Web UI открывается, но не видит rusim API¶

{"error":"connection refused: host.docker.internal:8000"}

Причина. Unity Editor запущен с 127.0.0.1-only API (make sim вместо make sim-public). Решение. Закрыть Unity, запустить через make sim-public — этот target ставит RUSIM_API_HOST=0.0.0.0.

8.3. ROS2-bridge падает с `ImportError: rclpy`¶

Причина. Контейнер osrf/ros:humble-desktop обычно содержит rclpy, но в редких случаях кеш слетает. Решение.

docker compose -f docker-compose.city-demo.yml down
docker pull osrf/ros:humble-desktop
make city-demo-up

8.4. Машина в Unity «дёргается» при policy node активном¶

Причина. Слишком высокий --rate-hz bridge'а на слабом ноутбуке — команды копятся в очереди, физика отстаёт. Решение. В docker-compose.city-demo.yml поменять --rate-hz 30 на --rate-hz 15 и перезапустить bridge.

8.5. Не работает port 5058 (already in use)¶

Bind for 0.0.0.0:5058 failed: port is already allocated

Решение. Скорее всего, остался прошлый запуск backend'а. docker ps | grep 5058 → docker rm -f <container>. Либо в docker-compose.city-demo.yml поменять 5058:5058 на 15058:5058.

8.6. Camera-топик не публикуется (Image)¶

В bridge'е публикация /camera/front/image_raw зависит от установленного PIL. Если в логах PIL not installed:

docker exec city-demo-ros2-bridge \
  pip3 install --break-system-packages pillow

После чего docker compose restart ros2-bridge.

8.7. Светофоры в city не переключаются¶

Причина. track.city_polygon.v1 загружает POLYGON DemoScene аддитивно через EditorSceneManager.OpenScene — это работает только в Editor, не в Play Build. Если запускаете standalone-build, светофоры будут «спрятаны» (см. docs/master-thesis/10-testing-build-release.md, секция «Editor-only механизм DemoScene»). Решение для учебного стенда. Использовать Unity Editor, как описано в Quick Start — это намеренный режим работы стенда.

См. также:

Глава 3 диссертации — Реализация платформы (PluginRegistry, SimulationManager, как track.city_polygon.v1 включает сцену).
Глава 6 диссертации — Программная обвязка обучения (PPO, sim_client, vec env).
Глава 7 диссертации — Sim-to-real эксперименты
README основного репозитория — список плагинов, быстрый старт, релизы.
python/bridges/ros2_bridge_multi.py — исходник bridge, читаемый для студентов.