Der Start von CARLA in einer virtuellen Maschine (Ubuntu) ist nicht möglich

Ich verwende Windows 10 als mein Haupt-OS. Aber wie Sie vielleicht alle wissen, gilt Linux OS wie Ubuntu als besser, wenn es um Frameworks und Bibliotheken im Zusammenhang mit künstlicher Intelligenz geht.

In den letzten Wochen habe ich nach einem Weg gesucht, wie ich einige Deep-Learning-Modelle (Ich werde im Laufe des Jahres mehr über das Forschungspapier sprechen, auf dem ich sie verwende) auf meiner virtuellen Maschine (VMware Workstation 16) unter Ubuntu 20.04 mit meiner GTX 1080Ti GPU trainieren kann. Leider, ohne Erfolg. Auch habe ich versucht Linux als Dual-Boot zu installieren, aber wegen ein Fehler, habe ich alle meine Daten „fast verloren“ und musste Windows neu installieren + bin kein Fan von Dual-Boot sowieso. Ich musste Linux OS verwenden, weil ich in meiner Reinforcement Learning-Implementierung das Reverb Framework verwende, das nur unter Linux OS laufen kann.  Auch habe ich versucht den CARLA Simulator in meine VM zu installieren und auszuführen,aber es gelang mir nicht, es auszuführen, da einige Fehler auftraten wie unten im Bilder zu sehen ist. Der Hauptgrund dafür scheint zu sein, dass die neueste OpenGL-Version, die auf einer Ubuntu-VM laufen kann, 3.1 ist, CARLA aber mindestens die OpenGL-Version 3.3 benötigt.

Das ist der Grund, warum ich mich entschieden habe, alle meine Implementierungen im Zusammenhang mit Künstlicher Intelligenz von nun an auf Windows OS laufen zu lassen (auch wenn das bedeutet, dass ich Reverb loswerden muss – ich muss einen geeigneten Ersatz finden) und zu behalten. Ein weiterer Grund ist, dass ich und die meisten meiner Kollegen bei der Arbeit Windows OS verwenden, so dass es einfacher sein wird, meine „CARLA-related“ Arbeit zu demonstrieren und zu zeigen.

Wer sich dafür interessiert, kann CARLA 0.9.11 für Windows von hier herunterladen und dann aus dem Stammverzeichnis von CARLA, im cmd-Terminal z.B. CarlaUE4.exe -carla-rpc-port=2544 -carla-streaming-port=2545 -quality-level=Low ausführen.

Der Grund, warum ich CARLA so schnell wie möglich brauchte, ist, dass ich plane, Experimente für eine zukünftige Forschungsarbeit durchzuführen, für die ich im Moment auch mit dem Entwurf des CARLA-Szenarios + des Modells und dem Training für einen Adaptive Cruise Control (ACC) Use Case beschäftigt bin.

Later Edit:

Da ich viele „Fatal Errors“ mit CARLA in Windows 10 habe, um Zeit zu gewinnen, habe ich mich entschieden endlich trotzdem ein Dual-Boot zu verwenden, genauer gesagt Linux Ubuntu 20.04 LTS wo CARLA super gut läuft. Ein Beispiel wie Sie auch ein Dual-Boot mit Windows 10 und Ubuntu machen können ist hier zu sehen. Für den Fall, dass Sie eine kleine Root-Partition von Linux Ubuntu im Dual-Boot erstellt haben und diese vergrößern möchten, folgen Sie dieser Anleitung hier.

Later Edit 2:

Ich habe es geschafft in Dual-Boot Linux Ubuntu ein Soft Actor-Critic (SAC) Reinforcement Learning Algoritmus für ein ACC Use Case zu implementieren und trainieren. Nachdem ich jedoch versucht habe, eine andere version oder auch dasselbe Training erneut durchzuführen, nach einigen tausend Iterationen habe ich nun andere GPU-bezogene Probleme, wie in den Bildern unten zu sehen ist.

CARLA scheint Probleme mit meinem 1080Ti-Grafikprozessor zu haben und ich habe keine Ahnung, warum, da ich nach dem erfolgreichen Training des SAC-Modells kein Update durchgeführt habe. Ich habe versucht, das Problem zu lösen, indem ich die GPU vorsichtig abgenommen und nach ein paar Minuten wieder angeschlossen habe, den Computer aus- und nach ein paar Minuten wieder eingeschaltet habe, mich vergewissert habe, dass kein Staub vorhanden ist, usw., aber bis jetzt hat nichts geholfen.

Later Edit 3:

Ich habe herausgefunden, wo das Problem lag: Ich musste die Präzision von 640 auf 320 reduzieren. Auf diese Weise war ich in der Lage, sowohl das SAC- als auch das Physics-Guided Reinforcement Learning (PGRL)-Modell im CARLA-Simulator auf meinem Desktop-PC mit GTX 1080Ti-GPU zu trainieren.

blank

Leave a Comment

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .