Scenario-Based Curriculum Generation for Multi-Agent Autonomous Driving

要約

多様で複雑なトレーニング シナリオの自動生成は、多くの複雑な学習タスクにおいて重要な要素となっています。
特に自動運転などの現実世界のアプリケーション領域では、堅牢かつ一般的なポリシーを取得するために自動カリキュラム生成が不可欠であると考えられています。
ただし、複数の異種エージェントを使用してトラフィック シナリオを作成することは、特により複雑なシミュレーション環境では、通常、退屈で時間のかかる作業であると考えられています。
私たちの取り組みでは、忠実度の高い運転シミュレーターである CARLA でエージェントを訓練するためのマルチエージェント交通シナリオ フレームワークである MATS-Gym を導入しています。
MATS-Gym は、部分的なシナリオ仕様を使用して可変数のエージェントを含む交通シナリオを生成する自動運転用のマルチエージェント トレーニング フレームワークです。
この論文では、交通シナリオの記述に対する既存のさまざまなアプローチを単一のトレーニング フレームワークに統合し、それを教師なし環境設計の手法と統合して適応型自動カリキュラムの生成を自動化する方法を示します。
コードは https://github.com/AutonomousDrivingExaminer/mats-gym で入手できます。

要約(オリジナル)

The automated generation of diverse and complex training scenarios has been an important ingredient in many complex learning tasks. Especially in real-world application domains, such as autonomous driving, auto-curriculum generation is considered vital for obtaining robust and general policies. However, crafting traffic scenarios with multiple, heterogeneous agents is typically considered as a tedious and time-consuming task, especially in more complex simulation environments. In our work, we introduce MATS-Gym, a Multi-Agent Traffic Scenario framework to train agents in CARLA, a high-fidelity driving simulator. MATS-Gym is a multi-agent training framework for autonomous driving that uses partial scenario specifications to generate traffic scenarios with variable numbers of agents. This paper unifies various existing approaches to traffic scenario description into a single training framework and demonstrates how it can be integrated with techniques from unsupervised environment design to automate the generation of adaptive auto-curricula. The code is available at https://github.com/AutonomousDrivingExaminer/mats-gym.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google