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

要約

国際的な賞金競争、スケール調整された車両、シミュレーション環境が利用可能であるにもかかわらず、自動レースやハンドリングの限界に近い状態で動作するスポーツカーの制御に関する研究は、車両の取得と管理にかかるコストが高いことと同様に制限されてきました。
オープンソース シミュレーターの物理精度には限界があります。
このペーパーでは、現実的かつ困難なシナリオで、強化学習 (RL) や古典的なモデル予測制御 (MPC) を含む自動運転アルゴリズムをテスト、検証、ベンチマークするためのシミュレーター Assetto Corsa に基づくレーシング シミュレーション プラットフォームを提案します。
私たちの貢献には、このシミュレーション プラットフォームの開発、レース環境に合わせたいくつかの最先端のアルゴリズム、人間のドライバーから収集した包括的なデータセットが含まれます。
さらに、オフライン RL 設定でアルゴリズムを評価します。
必要なすべてのコード (環境とベンチマークを含む)、実例、データセット、ビデオは公開されており、\url{https://assetto-corsa-gym.github.io} で見つけることができます。

要約(オリジナル)

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: \url{https://assetto-corsa-gym.github.io}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google