Um Benchmark de Simulação para Corridas Autônomas com Dados Humanos em Grande Escala.

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

July 23, 2024

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

cs.AI

Resumo

Apesar da disponibilidade de competições internacionais com prêmios em dinheiro, veículos em escala e ambientes de simulação, a pesquisa sobre corridas autônomas e o controle de carros esportivos operando próximo ao limite de aderência tem sido limitada pelos altos custos de aquisição e gerenciamento de veículos, bem como pela precisão limitada da física dos simuladores de código aberto. Neste artigo, propomos uma plataforma de simulação de corridas com base no simulador Assetto Corsa para testar, validar e avaliar algoritmos de direção autônoma, incluindo aprendizado por reforço (RL) e Controle Preditivo de Modelo (MPC) clássico, em cenários realistas e desafiadores. Nossas contribuições incluem o desenvolvimento desta plataforma de simulação, diversos algoritmos de ponta adaptados ao ambiente de corrida e um conjunto abrangente de dados coletados de motoristas humanos. Além disso, avaliamos os algoritmos no cenário de RL offline. Todo o código necessário (incluindo ambiente e benchmarks), exemplos práticos, conjuntos de dados e vídeos são publicamente disponibilizados e podem ser encontrados em: 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.