Бенчмарк симуляции для автономной гонки с обширными данными о поведении людей.

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

July 23, 2024

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

cs.AI

Аннотация

Несмотря на наличие международных соревнований с денежными призами, масштабных моделей транспортных средств и сред симуляции, исследования в области автономной гонки и управления спортивными автомобилями, работающими на пределе управляемости, ограничены высокими затратами на приобретение и обслуживание транспортных средств, а также ограниченной точностью физических моделей в открытых симуляторах. В данной статье мы предлагаем платформу гоночной симуляции на основе симулятора Assetto Corsa для тестирования, валидации и оценки алгоритмов автономного вождения, включая обучение с подкреплением (RL) и классическое управление по модели предсказания (MPC), в реалистичных и сложных сценариях. Наши вклады включают разработку этой симуляционной платформы, несколько передовых алгоритмов, адаптированных к гоночной среде, и обширный набор данных, собранных от человеческих водителей. Кроме того, мы оцениваем алгоритмы в условиях офлайн обучения с подкреплением. Весь необходимый код (включая среду и бенчмарки), рабочие примеры, наборы данных и видео предоставлены публично и могут быть найдены по ссылке: 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.