AirSim：微软开源自动驾驶模拟器，让无人机和无人车在虚拟世界训练大脑

你是否见过这样的场景：一架无人机在雨林上方盘旋，镜头里的画面逼真得像真实航拍——但它其实只是一行行代码在模拟器里跑出来的画面。这不是电影特效，这是 AirSim 正在做的事。

起源：从微软研究院到开源社区

2017年，微软研究院的一支团队注意到一个痛点：训练自动驾驶算法需要海量的真实路况数据，但在真实世界中测试无人机或无人车，成本高、风险大，而且数据采集速度远远跟不上算法迭代的需求。

于是他们萌生了一个想法——能不能在游戏引擎里搭建一个高度逼真的虚拟世界，让 AI 在里面练习？ 团队选择了 Unreal Engine（虚幻引擎）作为基底，因为这款游戏引擎在光影渲染、物理仿真方面已经达到了电影级水准，能够生成极为真实的视觉画面。随后他们将这个模拟平台命名为 AirSim，并以开源方式发布，很快成为了自动驾驶研究领域的标杆工具。

2022年，微软宣布 AirSim 将被新的 Project AirSim（商业版）取代，原仓库将逐步归档。同时，IAMAI 团队也 fork 了自己的版本继续维护——这个项目在学术和产业界的双重影响力由此可见一斑。

它能做什么？三种模式覆盖研究全场景

AirSim 支持三种核心仿真模式，每种都对应不同的研究场景：

多旋翼无人机模式（Multirotor） 是最经典的使用场景。用户可以通过键盘手动操控无人机飞行，也可以编写 Python/C++ 代码让无人机自主执行任务。模拟器提供前视摄像头、深度图、IMU（惯性测量单元）、GPS 等传感器数据，开发者可以直接在虚拟环境中训练计算机视觉或强化学习模型。AirSim 还支持硬件在环（Hardware-in-the-Loop）仿真，可以直接连接真实的 PX4 或 ArduPilot 飞控固件，让虚拟测试和真实飞控无缝衔接。

汽车模式（Car） 让研究者在虚拟城区街道上训练自动驾驶算法。支持方向盘控制（兼容真实赛车方向盘设备）、多车道、红绿灯等交通元素，还能模拟碰撞场景。对于研究端到端自动驾驶感知-决策链路的研究者来说，这是个低成本的验证环境。

计算机视觉模式（ComputerVision） 完全关闭物理引擎，只保留传感器数据输出，适合纯视觉算法（如 SLAM、深度估计、光流）的独立研究，无需处理车辆动力学。

技术内核：C++ 核心 + 多语言 API

AirSim 的代码架构可以用"插件 + API"双层结构来理解。

核心层（AirLib） 是整个项目的技术底座，用 C++ 实现，模块划分清晰：

• AirLib/src/api/ — 统一的车辆控制 API，所有语言的客户端都通过这个接口与模拟器通信。API 风格采用 RPC 机制，支持获取图像、控制电机、查询状态等操作。
• AirLib/src/vehicles/ — 车辆动力学模型，包含多旋翼无人机的飞行动力学、汽车的轮胎物理模型，支持自定义车辆参数。
• AirLib/src/safety/ — 安全层，包括碰撞检测、地理围栏（Geofence）、故障注入等。
• AirLib/src/common/ — 公共基础设施，包括日志、配置管理、数学库（Eigen）等。

插件层（Unreal/Unity） 负责将上述 C++ 逻辑接入游戏引擎。AirSim 以 Unreal Engine 插件的形式存在，可以直接拖入任何 UE4 项目。Unity 版本则是实验性支持。

客户端层 提供多语言 API：

• Python 客户端（PythonClient/）是使用最广泛的，提供了从基础控制到高级示例（强化学习、模仿学习、目标检测等）的完整 Demo。
• ROS/ROS2 集成（ros/、ros2/）让 AirSim 无缝接入机器人操作系统生态，支持将模拟器数据发布到 ROS topic。
• C++ 示例（HelloCar/、HelloDrone/）展示了如何用原生语言调用 API。

从代码质量来看，AirSim 作为微软研究院项目，代码结构规范，包含完整的 Visual Studio 项目文件（.sln、.vcxproj），有持续集成立覆（Windows/Ubuntu GitHub Actions），文档质量较高（MkDocs 生成文档站点）。测试方面有独立的 AirLibUnitTests 单元测试目录。

不过需要注意的是，项目主分支处于维护状态（微软已转向商业版），学术界影响力正在逐渐转移到衍生项目。

图1：AirSim 模拟的无人机前视摄像头画面，虚拟森林环境与真实航拍高度相似。

部署门槛：不是给普通用户的工具

坦率地说，AirSim 的部署难度是相当高的，这是所有基于游戏引擎的仿真平台的共同特点。

最核心的问题是 Unreal Engine 本身：完整的 UE4 源码版本需要 Epic Games 账号授权（免费），但下载和编译一次需要数十GB存储空间和数小时的编译时间。即使使用预编译二进制版本，仍需要：NVIDIA GPU（CUDA 10.0+）来渲染画面、Docker 19.03+ 来运行官方 Docker 镜像、至少 50GB 可用磁盘空间。

好在项目方提供了两种 Docker 方案来降低门槛：

• 二进制镜像（Dockerfile_binary）：基于 nvidia/cudagl:10.0-devel-ubuntu18.04，可以直接 pip install airsim，适合快速验证 Python API 功能，无需完整 UE4 环境。
• 源码镜像（Dockerfile_source）：基于 adamrehn/ue4-engine:4.19.2-cudagl10.0，完整构建 AirSim，适合需要修改模拟器内核的用户。

docker 目录下还提供了 run_airsim_image_binary.sh 和 run_airsim_image_source.sh 启动脚本，支持 --headless 无头模式运行（无显示输出，适合服务器环境）。

图2：AirSim 系统架构图，展示了模拟器与外部控制系统的交互关系。

一张图看懂 AirSim 的适用边界

AirSim 并非万能。它的核心价值在于低成本、高安全性地采集自动驾驶感知数据，以及训练端到端决策模型。但如果你的目标是快速验证一个强化学习算法，或者只是想了解无人机控制的基本原理，直接用开源强化学习框架（如 Stable-Baselines3）配合 Gym 环境会是更轻量的选择。

对于真正需要它的用户来说，AirSim 提供的价值是无可替代的：它让你可以在一个下午内完成上万公里的虚拟里程测试，而不需要真的跑坏一台无人机。

图3：AirSim 支持多种地形环境，包括平原、山区、城市等，可模拟不同场景下的自动驾驶训练。

行业意义：开源仿真器的历史坐标

回顾自动驾驶仿真器的演进历程，AirSim 的出现是一个标志性事件。在它之前，学术界训练无人机 AI 往往依赖 Gazebo（ROS 生态的通用机器人仿真器），但 Gazebo 的视觉渲染能力较为简陋，难以满足感知端到端训练的需求。AirSim 将游戏引擎级别的画面质量引入了自动驾驶研究，大大降低了"Sim2Real"（仿真到真实的迁移）的研究门槛。

18,000+ 的 GitHub Stars 和 4,800+ 的 Forks 证明了它在社区中的认可度。虽然微软已转向商业化路径，但 AirSim 留下的技术遗产——包括感知数据 API 规范、硬件在环仿真模式、以及 ROS 集成方案——至今仍被后续的仿真项目（如 AirSim 的各 fork 版本）广泛借鉴。

对于 AI 研究者和自动驾驶从业者来说，理解 AirSim 的设计思路，是深入自动驾驶仿真领域的一堂必修课。