論文の概要: Mastering Nordschleife -- A comprehensive race simulation for AI strategy decision-making in motorsports

• arxiv url: http://arxiv.org/abs/2306.16088v1
• Date: Wed, 28 Jun 2023 10:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 14:33:50.559239
• Title: Mastering Nordschleife -- A comprehensive race simulation for AI strategy decision-making in motorsports
• Title（参考訳）: mastering nordschleife - モータースポーツにおけるai戦略決定のための総合的レースシミュレーション
• Authors: Max Boettinger, David Klotz
• Abstract要約: 本稿では,GTレースに適した新しいシミュレーションモデルを開発する。 シミュレーションをOpenAIのGymフレームワークに統合することにより、強化学習環境を作成し、エージェントを訓練する。 本論文は,レースシミュレーションにおける強化学習の広範な適用に寄与し,FIAフォーミュラ1を超えるレース戦略最適化の可能性の解放に寄与する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the realm of circuit motorsports, race strategy plays a pivotal role in determining race outcomes. This strategy focuses on the timing of pit stops, which are necessary due to fuel consumption and tire performance degradation. The objective of race strategy is to balance the advantages of pit stops, such as tire replacement and refueling, with the time loss incurred in the pit lane. Current race simulations, used to estimate the best possible race strategy, vary in granularity, modeling of probabilistic events, and require manual input for in-laps. This paper addresses these limitations by developing a novel simulation model tailored to GT racing and leveraging artificial intelligence to automate strategic decisions. By integrating the simulation with OpenAI's Gym framework, a reinforcement learning environment is created and an agent is trained. The study evaluates various hyperparameter configurations, observation spaces, and reward functions, drawing upon historical timing data from the 2020 N\"urburgring Langstrecken Serie for empirical parameter validation. The results demonstrate the potential of reinforcement learning for improving race strategy decision-making, as the trained agent makes sensible decisions regarding pit stop timing and refueling amounts. Key parameters, such as learning rate, decay rate and the number of episodes, are identified as crucial factors, while the combination of fuel mass and current race position proves most effective for policy development. The paper contributes to the broader application of reinforcement learning in race simulations and unlocks the potential for race strategy optimization beyond FIA Formula~1, specifically in the GT racing domain.
• Abstract（参考訳）: サーキットモータースポーツの分野では、レース戦略はレースの結果を決定する上で重要な役割を果たす。 この戦略は燃料消費とタイヤ性能の劣化のために必要となるピット停止のタイミングに焦点を当てている。 レース戦略の目的は、タイヤ交換や燃料補給のようなピットストップの利点と、ピットレーンで発生する時間損失のバランスをとることである。 現在のレースシミュレーションは、最善のレース戦略を推定するために使用され、粒度、確率的事象のモデル化、インラップの手動入力を必要とする。 本稿では,gtレーシングに適した新しいシミュレーションモデルを開発し,戦略決定の自動化に人工知能を活用することで,これらの制約に対処する。 openaiのジムフレームワークとシミュレーションを統合することで、強化学習環境が作成され、エージェントが訓練される。 実験パラメータ検証のために,2020 N\"urburgring Langstrecken Serie の時系列データをもとに,様々なハイパーパラメータ構成,観測空間,報酬関数を評価した。 その結果、訓練されたエージェントがピット停止タイミングと燃料補給量に関する合理的な判断を行うため、レース戦略決定を改善するための強化学習の可能性を示した。 学習率、腐敗率、エピソード数といった重要なパラメータは重要な要因として特定され、燃料質量と現在の人種位置の組み合わせは政策開発に最も有効であることが証明される。 この論文は、レースシミュレーションにおける強化学習の幅広い応用に寄与し、特にgtレーシング領域においてfia formula~1を超えるレース戦略最適化の可能性を切り開く。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• er.autopilot 1.0: The Full Autonomous Stack for Oval Racing at High Speeds [61.91756903900903]
  インディ・オートノラティカル・チャレンジ (IAC) は、オープンホイールのレースカー上で独立して開発されたソフトウェアを使用して、前例のないスピードとヘッド・ツー・ヘッドのシナリオで競う9つの自律レースチームを集めた。 本稿では,チームTII EuroRacing (TII-ER) が使用するソフトウェアアーキテクチャについて述べる。静的障害物を避け,アクティブオーバーテイクを行い,75m/s (270 km/h) 以上の速度に達するために必要なモジュールをすべて網羅する。 総合的な結果と各モジュールのパフォーマンス、および、チームがそれぞれ2番目と3番目を置く楕円軌道上の競技の最初の2つのイベントで学んだ教訓について説明する。
  論文  参考訳（メタデータ） (2023-10-27T12:52:34Z)
• RaceLens: A Machine Intelligence-Based Application for Racing Photo Analysis [0.2443208492624608]
  RaceLensは、高度なディープラーニングとコンピュータビジョンモデルを利用して、レース写真の包括的な分析を行う新しいアプリケーションである。 モデルトレーニングに必要な堅牢なデータセット収集のプロセスについて議論し、このデータセットを継続的に拡張および改善するために設計したアプローチについて述べる。 本研究は,NASCARチームによる4シーズンにわたる展開の成功に焦点を当て,RaceLensの実践的応用の図示に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-20T13:58:31Z)
• End-to-end Lidar-Driven Reinforcement Learning for Autonomous Racing [0.0]
  強化学習(Reinforcement Learning, RL)は、自動化とロボット工学の領域において、変革的なアプローチとして登場した。 本研究は、フィードフォワード生ライダーと速度データのみを用いて、レース環境をナビゲートするRLエージェントを開発し、訓練する。 エージェントのパフォーマンスは、実世界のレースシナリオで実験的に評価される。
  論文  参考訳（メタデータ） (2023-09-01T07:03:05Z)
• Racing Towards Reinforcement Learning based control of an Autonomous Formula SAE Car [1.0124625066746598]
  本稿では,自動レースカーのエンド・ツー・エンド制御における深層強化学習(RL)の活用に関する最初の研究について述べる。 本稿では,Turtlebot2プラットフォーム上でのフルスケール設計に類似したトラック上で,2つの最先端RLアルゴリズムをシミュレーションで訓練する。 その結果,本手法はシミュレーションでレースを学習し,物理プラットフォーム上で現実の競馬場に移動することに成功した。
  論文  参考訳（メタデータ） (2023-08-24T21:16:03Z)
• Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes [0.0]
  本稿では,自動走行における車両動力学の近似におけるGPモデルの適用性について,最も詳細な解析を行った。 人気のあるF1TENTHレーシングプラットフォームのための動的および拡張キネマティックモデルを構築した。
  論文  参考訳（メタデータ） (2023-06-06T04:53:06Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Indy Autonomous Challenge -- Autonomous Race Cars at the Handling Limits [81.22616193933021]
  TUM Auton-omous Motorsportsは2021年10月、インディ・オートマチック・チャレンジに参加する。 インディアナポリス・モーター・スピードウェイのダララAV-21レースカー10台のうち1台を走らせることで、自動運転のソフトウェアスタックをベンチマークする。 これは、最も困難で稀な状況をマスターできる自律走行アルゴリズムを開発するための理想的な試験場である。
  論文  参考訳（メタデータ） (2022-02-08T11:55:05Z)
• Learning from Simulation, Racing in Reality [126.56346065780895]
  ミニチュアレースカープラットフォーム上で自律的なレースを行うための強化学習ベースのソリューションを提案する。 シミュレーションで純粋に訓練されたポリシーは、実際のロボットのセットアップにうまく移行できることを示す。
  論文  参考訳（メタデータ） (2020-11-26T14:58:49Z)
• Super-Human Performance in Gran Turismo Sport Using Deep Reinforcement Learning [39.719051858649216]
  高忠実度物理カーシミュレーションを利用した自律走行車レース学習システムを提案する。 私たちは、異なるレースカーとトラックのリアルな物理シミュレーションで知られている世界主導の自動車シミュレータであるGran Turismo Sportにシステムをデプロイしました。 私たちのトレーニングされたポリシーは、組み込みAIによってこれまで達成された以上の自律的なレースパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2020-08-18T15:06:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。