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、自律運転などの実際のアプリケーションドメインでは、自動カリキュラムの生成は、堅牢で一般的なポリシーを取得するために不可欠であると考えられています。
ただし、複数の不均一な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、通常、特により複雑なシミュレーション環境で、退屈で時間のかかるタスクと見なされます。
私たちの仕事では、マルチエージェントトラフィックシナリオフレームワークであるMATS-GYMを紹介します。
MATS-GYMは、部分的なシナリオ仕様を使用して、さまざまな数のエージェントを含むトラフィックシナリオを生成する自律運転のため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。
このホワイトペーパーでは、トラフィックシナリオの説明に対するさまざまな既存のアプローチの説明を単一のトレーニングフレームワークに統合し、監視されていない環境設計から適応性のある自動カリキュラムの生成を自動化するための技術とどのように統合できるかを示します。
このコードは、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