Un banco de pruebas de simulación para carreras autónomas con datos humanos a gran escala.
A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data
July 23, 2024
Autores: Adrian Remonda, Nicklas Hansen, Ayoub Raji, Nicola Musiu, Marko Bertogna, Eduardo Veas, Xiaolong Wang
cs.AI
Resumen
A pesar de la disponibilidad de competiciones internacionales con premios en efectivo, vehículos a escala y entornos de simulación, la investigación sobre carreras autónomas y el control de automóviles deportivos que operan cerca del límite de manejo ha estado limitada por los altos costos de adquisición y gestión de vehículos, así como por la precisión limitada de la física de los simuladores de código abierto. En este documento, proponemos una plataforma de simulación de carreras basada en el simulador Assetto Corsa para probar, validar y comparar algoritmos de conducción autónoma, incluido el aprendizaje por refuerzo (RL) y el Control Predictivo de Modelos (MPC) clásico, en escenarios realistas y desafiantes. Nuestras contribuciones incluyen el desarrollo de esta plataforma de simulación, varios algoritmos de vanguardia adaptados al entorno de las carreras y un conjunto de datos completo recopilado de conductores humanos. Además, evaluamos los algoritmos en el entorno de RL sin conexión. Todo el código necesario (incluido el entorno y las comparaciones), ejemplos prácticos, conjuntos de datos y videos se han publicado públicamente y se pueden encontrar en: 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.