論文の概要: A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data
- arxiv url: http://arxiv.org/abs/2407.16680v2
- Date: Wed, 24 Jul 2024 10:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 12:45:47.611860
- Title: A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data
- Title（参考訳）: 大規模人的データを用いた自律レースのシミュレーションベンチマーク
- Authors: Adrian Remonda, Nicklas Hansen, Ayoub Raji, Nicola Musiu, Marko Bertogna, Eduardo Veas, Xiaolong Wang,
- Abstract要約: 本稿では,自動走行アルゴリズムの試験,検証,ベンチマークを行うためのシミュレータAssetto Corsaに基づくレースシミュレーションプラットフォームを提案する。
私たちのコントリビューションには、このシミュレーションプラットフォームの開発、レース環境に適した最先端のアルゴリズムのいくつか、人間ドライバーから収集された包括的なデータセットなどが含まれています。
- 参考スコア（独自算出の注目度）: 12.804541200469536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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
- Abstract（参考訳）: 国際通貨コンペティション、スケールされた車両、シミュレーション環境が利用可能であるにもかかわらず、自動運転車の研究やハンドリングの限界に近いスポーツカーの制御は、自動車の獲得と管理のコストが高いこと、オープンソースシミュレータの物理精度の制限によって制限されている。
本稿では,シミュレータAssetto Corsaをベースとしたレースシミュレーションプラットフォームを提案し,現実的かつ困難なシナリオにおいて,強化学習(RL)や古典的モデル予測制御(MPC)を含む自律走行アルゴリズムのテスト,検証,ベンチマークを行う。
私たちのコントリビューションには、このシミュレーションプラットフォームの開発、レース環境に適した最先端のアルゴリズム、人間ドライバーから収集された包括的なデータセットなどが含まれています。
さらに,オフラインRL設定におけるアルゴリズムの評価を行った。
必要なコード(環境やベンチマークを含む)、作業例、データセット、ビデオはすべて公開されており、https://assetto-corsa-gym.github.ioで見ることができる。
関連論文リスト
- NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。
我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。
NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
論文 参考訳（メタデータ） (2024-06-21T17:59:02Z) - GarchingSim: An Autonomous Driving Simulator with Photorealistic Scenes
and Minimalist Workflow [24.789118651720045]
光実写シーンを用いた自律走行シミュレータを提案する。
シミュレータはROS2またはSocket.IOを介して外部アルゴリズムと通信することができる。
シミュレータ内に高精度な車両力学モデルを実装し,車体効果の現実性を高める。
論文 参考訳（メタデータ） (2024-01-28T23:26:15Z) - Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳（メタデータ） (2023-10-12T20:49:15Z) - 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) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳（メタデータ） (2021-11-15T18:37:43Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - Learn-to-Race: A Multimodal Control Environment for Autonomous Racing [23.798765519590734]
模擬フォーミュラ-Eスタイルのレースにおいて、L2R(Learn-to-Race)が活躍する新しい環境を紹介します。
シミュレーターと対面トレーニングフレームワークを含む我々の環境は、車両のダイナミックスとレース条件を正確にモデル化する。
次に,学習からドライブへの挑戦,フォーミュラeレース,および自動運転のためのマルチモーダル軌道予測に着想を得たl2rタスクを提案する。
論文 参考訳（メタデータ） (2021-03-22T04:03:06Z) - 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) - DeepRacing: Parameterized Trajectories for Autonomous Racing [0.0]
現実的なF1環境での高速自律レースの課題を考察する。
DeepRacingは、新しいエンドツーエンドフレームワークであり、自律レースのためのアルゴリズムのトレーニングと評価のための仮想テストベッドである。
この仮想テストベッドは、スタンドアロンのC++ APIと人気のあるRobot Operating System 2 (ROS2)フレームワークへのバインディングの両方として、オープンソースライセンスでリリースされている。
論文 参考訳（メタデータ） (2020-05-06T21:35:48Z)
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。