대규모 인간 데이터를 활용한 자율 주행 경주 시뮬레이션 벤치마크

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

July 23, 2024

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

cs.AI

초록

국제적인 상금 대회, 스케일링된 차량, 시뮬레이션 환경이 존재함에도 불구하고, 한계 주행 상황에서 작동하는 스포츠카의 자율 주행 및 제어에 대한 연구는 차량 구입 및 관리의 높은 비용과 오픈소스 시뮬레이터의 물리적 정확도 한계로 인해 제한적이었습니다. 본 논문에서는 Assetto Corsa 시뮬레이터를 기반으로 한 레이싱 시뮬레이션 플랫폼을 제안하여, 강화 학습(RL) 및 전통적인 모델 예측 제어(MPC)를 포함한 자율 주행 알고리즘을 현실적이고 도전적인 시나리오에서 테스트, 검증 및 벤치마킹할 수 있도록 합니다. 우리의 기여는 이 시뮬레이션 플랫폼 개발, 레이싱 환경에 맞춰진 여러 최신 알고리즘, 그리고 인간 드라이버로부터 수집된 포괄적인 데이터셋을 포함합니다. 또한, 오프라인 RL 설정에서 알고리즘을 평가합니다. 모든 필요한 코드(환경 및 벤치마크 포함), 작동 예제, 데이터셋, 비디오는 공개되어 있으며, https://assetto-corsa-gym.github.io에서 확인할 수 있습니다.

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.