A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data
作者: Adrian Remonda, Nicklas Hansen, Ayoub Raji, Nicola Musiu, Marko Bertogna, Eduardo Veas, Xiaolong Wang
分类: cs.RO, cs.LG
发布日期: 2024-07-23 (更新: 2024-07-24)
备注: Project page and code can be found at: \url{https://assetto-corsa-gym.github.io/}
期刊: Advances in Neural Information Processing Systems 37 (NeurIPS 2024)
DOI: 10.52202/079017-3240
💡 一句话要点
提出基于Assetto Corsa的自动驾驶赛车仿真平台，并提供大规模人类驾驶数据。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 自动驾驶赛车 仿真平台 强化学习 模型预测控制 人类驾驶数据 Assetto Corsa 离线强化学习
📋 核心要点
- 自动驾驶赛车研究受限于车辆购置和管理的高成本，以及开源模拟器物理精度不足。
- 构建基于Assetto Corsa的仿真平台，结合人类驾驶数据，为算法提供真实环境。
- 提供多种算法实现和数据集，支持离线强化学习，并开源所有代码和资源。
📝 摘要（中文）
本文提出了一种基于Assetto Corsa模拟器的赛车仿真平台，用于测试、验证和评估自动驾驶算法，包括强化学习（RL）和经典模型预测控制（MPC），适用于真实且具有挑战性的场景。研究贡献包括开发该仿真平台，针对赛车环境定制的多种最先进算法，以及从人类驾驶员处收集的综合数据集。此外，还在离线强化学习环境中评估了算法。所有必要的代码（包括环境和基准）、工作示例、数据集和视频均已公开发布。
🔬 方法详解
问题定义：现有自动驾驶赛车研究面临的主要问题是：真实车辆实验成本高昂，开源模拟器的物理引擎精度不足以模拟极限驾驶状态，缺乏高质量的人类驾驶数据用于算法训练和评估。这些限制阻碍了算法的开发和验证，难以在真实赛车场景中应用。
核心思路：本文的核心思路是利用商业游戏引擎Assetto Corsa的高精度物理模拟能力，构建一个逼真的赛车仿真环境。同时，通过收集大规模人类驾驶数据，为算法提供学习和模仿的样本，从而降低算法开发的难度，提高算法的泛化能力。
技术框架：该仿真平台基于Assetto Corsa游戏引擎，通过开发接口与外部算法进行交互。整体框架包含以下几个主要模块：1) 赛车环境模拟器：负责模拟赛道、车辆动力学和传感器数据；2) 算法接口：提供与强化学习、模型预测控制等算法的交互接口；3) 数据集：包含大规模人类驾驶数据，用于算法训练和评估；4) 评估指标：用于评估算法在赛车任务中的性能。
关键创新：该论文的关键创新在于：1) 构建了一个高精度、低成本的赛车仿真平台，弥补了现有开源模拟器的不足；2) 提供了大规模人类驾驶数据，为算法学习提供了宝贵的资源；3) 结合了强化学习和模型预测控制等多种算法，为自动驾驶赛车研究提供了新的思路。
关键设计：在环境设置方面，选择了多种不同的赛道，并调整了车辆参数以模拟不同的驾驶条件。在数据收集方面，记录了人类驾驶员的油门、刹车、转向等操作，以及车辆的速度、位置等状态信息。在算法实现方面，针对赛车环境的特点，对强化学习算法进行了改进，例如设计了合适的奖励函数和状态空间。
🖼️ 关键图片
📊 实验亮点
该论文构建的仿真平台能够模拟真实的赛车环境，并提供了大规模的人类驾驶数据。通过在该平台上测试不同的自动驾驶算法，可以有效地评估算法的性能。此外，该论文还展示了离线强化学习在该平台上的应用，并取得了较好的效果。所有代码、数据集和视频均已开源，方便其他研究者使用。
🎯 应用场景
该研究成果可应用于自动驾驶赛车算法的开发和验证，降低开发成本，加速算法迭代。此外，该平台和数据集也可用于研究人类驾驶行为，为高级驾驶辅助系统（ADAS）的设计提供参考。未来，该技术有望应用于真实赛车比赛，提升赛车性能和安全性。
📄 摘要（原文）
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: https://assetto-corsa-gym.github.io