大規模な人間データを用いた自律レーシングのためのシミュレーションベンチマーク

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

July 23, 2024

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

cs.AI

要旨

国際的な賞金競技、スケールドモデル車両、およびシミュレーション環境が利用可能であるにもかかわらず、自律レーシングおよびハンドリング限界近くで動作するスポーツカーの制御に関する研究は、車両の取得と管理の高コスト、およびオープンソースシミュレータの物理精度の限界によって制約されてきました。本論文では、シミュレータAssetto Corsaを基盤としたレーシングシミュレーションプラットフォームを提案し、現実的で挑戦的なシナリオにおいて、強化学習（RL）や古典的なモデル予測制御（MPC）を含む自律運転アルゴリズムをテスト、検証、ベンチマークします。我々の貢献は、このシミュレーションプラットフォームの開発、レーシング環境に特化したいくつかの最先端アルゴリズム、および人間のドライバーから収集した包括的なデータセットを含みます。さらに、オフラインRL設定におけるアルゴリズムの評価も行います。必要なコード（環境とベンチマークを含む）、動作例、データセット、およびビデオはすべて公開されており、以下のURLで確認できます：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.