Ein Simulationsbenchmark für autonomes Fahren mit groß angelegten menschlichen Daten.

A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data

July 23, 2024

Autoren: Adrian Remonda, Nicklas Hansen, Ayoub Raji, Nicola Musiu, Marko Bertogna, Eduardo Veas, Xiaolong Wang

cs.AI

Zusammenfassung

Trotz der Verfügbarkeit internationaler Preisgeldwettbewerbe, skalierten Fahrzeugen und Simulationsumgebungen wurde die Forschung zu autonomen Rennen und der Steuerung von Sportwagen, die nahe am Grenzbereich der Fahrphysik operieren, durch die hohen Kosten für den Fahrzeugerwerb und -management sowie die begrenzte physikalische Genauigkeit von Open-Source-Simulatoren begrenzt. In diesem Artikel schlagen wir eine Rennsimulation vor, die auf dem Simulator Assetto Corsa basiert, um autonome Fahralgorithmen, einschließlich verstärkendem Lernen (RL) und klassischer modellprädiktiver Regelung (MPC), in realistischen und anspruchsvollen Szenarien zu testen, zu validieren und zu vergleichen. Unsere Beiträge umfassen die Entwicklung dieser Simulation, mehrerer modernster Algorithmen, die auf die Rennumgebung zugeschnitten sind, sowie eines umfassenden Datensatzes, der von menschlichen Fahrern gesammelt wurde. Darüber hinaus bewerten wir Algorithmen im Offline-RL-Umfeld. Der gesamte erforderliche Code (einschließlich Umgebung und Benchmarks), Arbeitsbeispiele, Datensätze und Videos werden öffentlich freigegeben und sind unter folgendem Link zu finden: https://assetto-corsa-gym.github.io.

English

Despite the availability of international prize-money competitions, scaled vehicles, and simulation environments, research on autonomous racing and the control of sports cars operating close to the limit of handling has been limited by the high costs of vehicle acquisition and management, as well as the limited physics accuracy of open-source simulators. In this paper, we propose a racing simulation platform based on the simulator Assetto Corsa to test, validate, and benchmark autonomous driving algorithms, including reinforcement learning (RL) and classical Model Predictive Control (MPC), in realistic and challenging scenarios. Our contributions include the development of this simulation platform, several state-of-the-art algorithms tailored to the racing environment, and a comprehensive dataset collected from human drivers. Additionally, we evaluate algorithms in the offline RL setting. All the necessary code (including environment and benchmarks), working examples, datasets, and videos are publicly released and can be found at: https://assetto-corsa-gym.github.io.