Een simulatiebenchmark voor autonoom racen met grootschalige menselijke gegevens

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

Samenvatting

Ondanks de beschikbaarheid van internationale prijzengeldcompetities, geschaalde voertuigen en simulatieomgevingen, is onderzoek naar autonoom racen en de besturing van sportwagens die opereren aan de grens van de beheersbaarheid beperkt gebleven door de hoge kosten van voertuigverwerving en -beheer, evenals de beperkte fysica-nauwkeurigheid van open-source simulatoren. In dit artikel stellen we een racesimulatieplatform voor, gebaseerd op de simulator Assetto Corsa, om autonome rij-algoritmen, waaronder reinforcement learning (RL) en klassieke Model Predictive Control (MPC), te testen, valideren en benchmarken in realistische en uitdagende scenario's. Onze bijdragen omvatten de ontwikkeling van dit simulatieplatform, verschillende state-of-the-art algoritmen die zijn afgestemd op de raceomgeving, en een uitgebreide dataset die is verzameld van menselijke bestuurders. Daarnaast evalueren we algoritmen in de offline RL-instelling. Alle benodigde code (inclusief omgeving en benchmarks), werkende voorbeelden, datasets en video's zijn openbaar vrijgegeven en zijn te vinden op: 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.