Learn-to-Race：一种用于自动驾驶赛车的多模态控制环境
机器人学
2021-11-04 v3 计算机视觉与模式识别
机器学习
摘要
现有的自动驾驶研究主要关注城市驾驶，这不足以刻画高速赛车背后的复杂驾驶行为。同时，现有的赛车仿真框架在视觉渲染、车辆动力学和任务目标方面难以捕捉真实感，阻碍了学习智能体向真实世界情境的迁移。我们引入了一个新环境，其中智能体在模拟竞赛式赛车中学习驾驶 (Learn-to-Race, L2R)，使用多模态信息——从虚拟相机到全面的惯性测量传感器阵列。我们的环境包括一个仿真器和一个接口训练框架，精确地建模车辆动力学和赛车条件。在本文中，我们发布了用于自动驾驶赛车的 Arrival 仿真器。接下来，我们提出了受学习驾驶挑战、方程式风格赛车以及自动驾驶多模态轨迹预测启发的具有挑战性指标的 L2R 任务。此外，我们提供了 L2R 框架套件，便于在真实世界赛道的高精度模型上进行模拟赛车。最后，我们提供了一个官方的 L2R 任务专家演示数据集，以及一系列基线实验和参考实现。我们公开所有代码：https://github.com/learn-to-race/l2r。
引用
@article{arxiv.2103.11575,
title = {Learn-to-Race: A Multimodal Control Environment for Autonomous Racing},
author = {James Herman and Jonathan Francis and Siddha Ganju and Bingqing Chen and Anirudh Koul and Abhinav Gupta and Alexey Skabelkin and Ivan Zhukov and Max Kumskoy and Eric Nyberg},
journal= {arXiv preprint arXiv:2103.11575},
year = {2021}
}
备注
Accepted to the International Conference on Computer Vision (ICCV 2021); equal contribution - JH and JF; 15 pages, 4 figures