Isaac-Net simuliert 5G-Uplink für eine Million Roboter auf einer GPU im Gleichtakt mit Isaac Lab
Das Preprint stellt Isaac-Net vor, ein GPU-gebatchtes 5G-New-Radio-Modul, das in Isaac Lab Tausende parallele Umgebungen im Gleichtakt mit der Physik simuliert. Die NR-Engine reproduziert die mediane Uplink-Verzögerung von ns-3 5G-LENA über Laststufen ohne gefitteten Parameter und hält im validierten Maßstab 1.048.576 Roboter auf einer GPU bei 1,24 Steuerzyklen pro Sekunde, gegenüber 1,50 ohne Netzwerk. Damit wird erstmals ein paketnahes 5G-Modell in massiv paralleles Roboterlernen integriert.
Wie lässt sich ein 5G-NR-Netzmodell so in GPU-parallele Robotersimulatoren wie Isaac Lab integrieren, dass es tausende Umgebungen im Gleichtakt mit der Physik simuliert und die Verzögerungen eines paketbasierten Referenzsimulators reproduziert?
Viele Roboterflotten nutzen private 5G-Netze, in denen die Verzögerung eines Roboters von Scheduling, HARQ und dem Verkehr seiner Teamkollegen abhängt. GPU-Robotersimulatoren modellieren das Netz jedoch meist als unabhängige Verzögerung pro Nachricht, während CPU-paketbasierte Simulatoren wie ns-3 ein Szenario pro Prozess abarbeiten und bei Tausenden parallelen Umgebungen den Trainingsdurchsatz brechen.
Bisherige Ansätze umfassen feste oder unabhängige Verzögerungsmodelle in Isaac Lab, paketbasierte 5G-Simulatoren wie ns-3 mit 5G-LENA, Simu5G, Vienna und MATLAB 5G Toolbox sowie ROS-gekoppelte Co-Simulationen. Diese sind entweder nicht gekoppelt oder laufen pro CPU-Prozess nur ein Szenario und bleiben unter Echtzeit; GPU-Tools wie Sionna SYS fehlen Warteschlangen, HARQ und ein durch Buffer Status Reports getriebener Uplink-Zugriff.
Isaac-Net speichert Funkkanal, Scheduler-Zustand, HARQ-Prozesse, Zugriffstimer und Nachrichtenwarteschlangen in Tensoren mit festen Formen über Umgebungen und Roboter und schaltet jeden 0,5-ms-Slot als feste Tensoroperationen durch. Eine konfigurierbare NR-Engine und eine leichtere Prototyp-Engine laufen auf einem PyTorch-Referenzbackend, einem bitidentischen CUDA-Graph-Backend und einem fusionierten Triton-Kernel. Eine Mixin-Klasse koppelt das Netz über vier Hooks an Isaac Lab, unterstützt partielle Resets, domänenrandomisierte Funkparameter und bis zu sieben Zellen pro Umgebung. Das Paket ist quelloffen und enthält Co-Simulationsbrücken zu ns-3 5G-LENA und OpenAirInterface.
Gegen ns-3 5G-LENA über 153 Läufe mit 1 bis 64 UEs und 4.000 bzw. 30.000 Byte Nachrichten erreicht die NR-Engine in der Konfiguration v2 ohne gefitteten Parameter mediane absolute Fehler der p50-Verzögerung von 2,5 % bei leichter, 4,8 % bei moderater und 4,4 % bei gesättigter Last; der mediane p50-Fehler liegt bei -0,2 %, -1,2 % und -0,1 %. Der mediane KS-Abstand sinkt über alle Läufe von 0,28 auf 0,17 und der mediane absolute p95-Fehler von 8,6 % auf 3,5 %. Auf einem ungesehenen Träger liegt die mediane Verzögerung 5–10 % niedriger, im geschlossenen Regelkreis bei 32 Robotern pro Umgebung 9 % höher. Die Engine reproduziert die Age of Information, während ein unabhängiges Verzögerungsmodell den AoI-Schwanz etwa dreimal zu leicht lässt. Im Isaac-Lab-Flottenmaßstab laufen 1.048.576 Roboter unter einer Zufallspolicy mit Netz bei 1,24 Steuerzyklen pro Sekunde, ohne Netz bei 1,50; das entspricht 1,30 Millionen Roboterschritten pro Sekunde auf einer RTX 4090. Der Triton-Kernel simuliert die NR-Uplink-Strecke von 409.600 Robotern in 67,8 ms pro Steuerzyklus, in der Skalenkonfiguration in 94,4 ms. Eine ns-3-Brücke würde bei 4.096 mal 128 Robotern extrapoliert 1.071 CPU-Sekunden pro Steuerzyklus benötigen, bei perfekter Effizienz auf 32 Threads 33,5 s, während Isaac Lab mit NR-Engine 0,41 s braucht, etwa 83-mal schneller. Der Graph-Backend ist bitidentisch zum Referenzbackend; der Triton-Backend weicht in 1,4 bis 1,8 von 100.000 Roboterschritten ab.
Das Paper ist ein Preprint ohne berichtete Begutachtung. Die Autoren nennen: Der Triton-Backend unterstützt die Skalenkonfiguration ohne das Buffer-Report-Grant-Verfahren; die Mehrzellvariante läuft nicht auf Triton, und der Downlink wurde nicht gegen einen anderen Simulator validiert. Die Validierung deckt die 100-m-Arena ab, in der 150-m-Flottenaufgabe liegen 24 % der Positionen unterhalb des von 5G-LENA abgedeckten SNR-Bereichs. Der Triton-Kernel ist auf etwa 128 Roboter pro Umgebung für die NR-Engine begrenzt und verlagert bei 64–100 Robotern Register in langsameren Speicher. Es werden keine Lernergebnisse trainierter Policies berichtet; die Skalenmessung nutzt eine Zufallspolicy. Die OAI-Kalibrierung nutzt teils gefittete Parameter und reproduziert die Sättigung bei mehreren UEs nicht.
Unternehmen, die private 5G-Netze für mobile Roboter in Fabriken, Lagern oder auf Campus betreiben, können Isaac-Net jetzt als Open-Source-Modul in Isaac-Lab-Trainingspipelines einsetzen, um Multi-Roboter-Policies netzabhängig zu trainieren. Innerhalb von 1 bis 3 Jahren könnte das Tool industrielle digitale Zwillinge und Flottenplanung unterstützen, sofern die Validierung auf Zielhardware, Downlink- und Mehrzellenbetrieb sowie reale 5G-Stacks erweitert wird. Voraussetzung sind GPUs mit ausreichend Speicher und eine Integration in bestehende Reinforcement-Learning-Workflows.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.