Un Benchmark di Simulazione per la Guida Autonoma da Competizione con Dati Umani su Larga Scala
A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data
July 23, 2024
Autori: Adrian Remonda, Nicklas Hansen, Ayoub Raji, Nicola Musiu, Marko Bertogna, Eduardo Veas, Xiaolong Wang
cs.AI
Abstract
Nonostante la disponibilità di competizioni internazionali con premi in denaro, veicoli in scala e ambienti di simulazione, la ricerca sulla guida autonoma in ambito sportivo e sul controllo di auto da corsa che operano al limite delle prestazioni è stata limitata dagli elevati costi di acquisizione e gestione dei veicoli, nonché dalla precisione fisica limitata dei simulatori open-source. In questo articolo, proponiamo una piattaforma di simulazione per corse basata sul simulatore Assetto Corsa per testare, validare e confrontare algoritmi di guida autonoma, tra cui il reinforcement learning (RL) e il classico Model Predictive Control (MPC), in scenari realistici e impegnativi. I nostri contributi includono lo sviluppo di questa piattaforma di simulazione, diversi algoritmi all'avanguardia adattati all'ambiente delle corse e un dataset completo raccolto da piloti umani. Inoltre, valutiamo gli algoritmi nell'ambito dell'RL offline. Tutto il codice necessario (incluso l'ambiente e i benchmark), esempi funzionanti, dataset e video sono pubblicamente disponibili e possono essere trovati al seguente indirizzo: 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.