Reference-Free Formula Drift with Reinforcement Learning: From Driving Data to Tire Energy-Inspired, Real-World Policies

要約

車をドリフトさせるスキル、つまりプロのドライバーのように制御されたオーバーステア状態で操作するスキルは、悪条件下で制御を維持したり、衝突を回避したりする必要がある場合に、将来の自動運転車に最大限の柔軟性を与える可能性があります。
私たちは、高価な軌道の最適化を回避しながら、必要な場所に車を配置するリアルタイムのドリフト戦略を調査します。
この目的を達成するために、私たちはタイヤのエネルギー吸収の概念に基づいて、トラック境界内に安全に留まりながら、変化する複雑なウェイポイント構成を自律的にドリフトする強化学習エージェントを設計します。
事前に収集した運転データから学習した神経確率微分方程式車両モデルに基づいて構築されたシミュレーション環境でエージェントをトレーニングすることで、車両へのゼロショット展開を実現します。
トヨタ GR スープラとレクサス LC 500 での実験では、エージェントが車両を最大 63{\deg} の横滑り角まで安定して押しながら、追跡誤差が 10 cm 程度で、さまざまなウェイポイント構成をスムーズにドリフトできることがわかりました。

要約(オリジナル)

The skill to drift a car–i.e., operate in a state of controlled oversteer like professional drivers–could give future autonomous cars maximum flexibility when they need to retain control in adverse conditions or avoid collisions. We investigate real-time drifting strategies that put the car where needed while bypassing expensive trajectory optimization. To this end, we design a reinforcement learning agent that builds on the concept of tire energy absorption to autonomously drift through changing and complex waypoint configurations while safely staying within track bounds. We achieve zero-shot deployment on the car by training the agent in a simulation environment built on top of a neural stochastic differential equation vehicle model learned from pre-collected driving data. Experiments on a Toyota GR Supra and Lexus LC 500 show that the agent is capable of drifting smoothly through varying waypoint configurations with tracking error as low as 10 cm while stably pushing the vehicles to sideslip angles of up to 63{\deg}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google