Unifying F1TENTH Autonomous Racing: Survey, Methods and Benchmarks

要約

1:10 スケールのリモコンカーで構成される F1TENTH 自動運転プラットフォームは、確立された教育研究プラットフォームに進化しました。
多くの出版物や実際のコンテストは、古典的なパス計画から新しい学習ベースのアルゴリズムに至るまで、多くの領域に及びます。
その結果、この分野は広範囲かつばらばらであるため、開発された手法を直接比較することが難しく、最先端技術を評価することが困難になっています。
したがって、現在のアプローチを調査し、共通の手法を説明し、明確な比較を容易にして将来の作業のベースラインを確立するためのベンチマーク結果を提供することによって、この分野を統一することを目指しています。
この研究は、古典的および学習カテゴリーにおける F1TENTH 車両の過去および現在の取り組みを調査し、さまざまなソリューションのアプローチを説明することを目的としています。
粒子フィルターの位置特定、軌道の最適化と追跡、モデル予測輪郭制御、ギャップ追跡、およびエンドツーエンドの強化学習について説明します。
私たちはベンチマーク手法のオープンソース評価を提供し、古典的な手法の制御周波数と位置特定精度、さらに学習手法の報酬信号とトレーニング マップの見落とされている要因を調査します。
評価の結果、最適化および追跡手法が最速のラップタイムを達成し、次にオンライン計画アプローチが続くことがわかりました。
最後に、私たちの研究では、F1TENTH ドメインにおける将来の研究の動機付けに役立つ、関連する研究の側面を特定し、概要を説明します。

要約(オリジナル)

The F1TENTH autonomous driving platform, consisting of 1:10-scale remote-controlled cars, has evolved into a well-established education and research platform. The many publications and real-world competitions span many domains, from classical path planning to novel learning-based algorithms. Consequently, the field is wide and disjointed, hindering direct comparison of developed methods and making it difficult to assess the state-of-the-art. Therefore, we aim to unify the field by surveying current approaches, describing common methods, and providing benchmark results to facilitate clear comparisons and establish a baseline for future work. This research aims to survey past and current work with F1TENTH vehicles in the classical and learning categories and explain the different solution approaches. We describe particle filter localisation, trajectory optimisation and tracking, model predictive contouring control, follow-the-gap, and end-to-end reinforcement learning. We provide an open-source evaluation of benchmark methods and investigate overlooked factors of control frequency and localisation accuracy for classical methods as well as reward signal and training map for learning methods. The evaluation shows that the optimisation and tracking method achieves the fastest lap times, followed by the online planning approach. Finally, our work identifies and outlines the relevant research aspects to help motivate future work in the F1TENTH domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google