Un benchmark de simulation pour la course autonome avec des données humaines à grande échelle

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

July 23, 2024

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

cs.AI

Résumé

Malgré la disponibilité de compétitions internationales dotées de prix en argent, de véhicules à grande échelle et d'environnements de simulation, la recherche sur la course autonome et le contrôle de voitures de sport fonctionnant à la limite de leur adhérence a été limitée par les coûts élevés d'acquisition et de gestion des véhicules, ainsi que par la précision physique limitée des simulateurs open-source. Dans cet article, nous proposons une plateforme de simulation de course basée sur le simulateur Assetto Corsa pour tester, valider et comparer des algorithmes de conduite autonome, y compris l'apprentissage par renforcement (RL) et le contrôle prédictif par modèle (MPC) classique, dans des scénarios réalistes et exigeants. Nos contributions incluent le développement de cette plateforme de simulation, plusieurs algorithmes de pointe adaptés à l'environnement de course, ainsi qu'un ensemble de données complet collecté auprès de conducteurs humains. De plus, nous évaluons les algorithmes dans le cadre de l'apprentissage par renforcement hors ligne. Tous les codes nécessaires (y compris l'environnement et les benchmarks), des exemples fonctionnels, les ensembles de données et des vidéos sont rendus publics et peuvent être consultés à l'adresse suivante : 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.