Towards an Autonomous Test Driver: High-Performance Driver Modeling via Reinforcement Learning

要約

レースで成功するには、車両のセットアップ、レーストラックの理解、人間の専門知識の独自の組み合わせが必要です。
現実世界で多くの異なる車両構成を構築してテストするには法外な費用がかかるため、忠実度の高いシミュレーションはレースカー開発の重要な部分です。
ただし、さまざまな車両構成をテストするには、さまざまなレーストラックでのパフォーマンスを評価するために、依然として専門家の人間による入力が必要です。
この研究では、深層強化学習を使用して訓練され、最高の人間ドライバーのレベルで運転しながら、レースパフォーマンスに関する車両セットアップの変更を評価できる自律型テストドライバーに向けた最初のステップを示します。
さらに、模倣学習を RL トレーニング プロセスに組み込むことで、自律運転ドライバー モデルを調整して、より人間に近い行動パターンを示すことができます。
この拡張により、ドライバー固有の車両セットアップの最適化が可能になります。

要約(オリジナル)

Success in racing requires a unique combination of vehicle setup, understanding of the racetrack, and human expertise. Since building and testing many different vehicle configurations in the real world is prohibitively expensive, high-fidelity simulation is a critical part of racecar development. However, testing different vehicle configurations still requires expert human input in order to evaluate their performance on different racetracks. In this work, we present the first steps towards an autonomous test driver, trained using deep reinforcement learning, capable of evaluating changes in vehicle setup on racing performance while driving at the level of the best human drivers. In addition, the autonomous driver model can be tuned to exhibit more human-like behavioral patterns by incorporating imitation learning into the RL training process. This extension permits the possibility of driver-specific vehicle setup optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google