2022 Learn-to-Race挑战赛:自动驾驶赛车中安全学习与跨域泛化的基准测试
机器人学
2022-05-11 v2 人工智能
计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
我们展示了基于新发布的Learn-to-Race(L2R)仿真框架的自主赛车虚拟挑战赛结果,该框架旨在鼓励自动驾驶领域的跨学科研究,并助力在真实基准上推进技术水平。类比于利用赛车测试尖端车辆,我们设想自主赛车作为一个尤其具有挑战性的试验场服务于自主智能体,因为:(i)它们需要在复杂、快速变化的环境中做出亚秒级、安全关键的决策;且(ii)感知与控制都必须对分布偏移、新颖道路特征及未见障碍物具有鲁棒性。因此,挑战赛的主要目标是通过两阶段过程评估强化学习智能体在多模态感知上的联合安全性、性能与泛化能力。在挑战赛第一阶段,我们评估自主智能体在遵守安全约束的同时尽可能快速驾驶的能力。在第二阶段,我们额外要求智能体通过安全探索适应未见赛道。本文中,我们描述了新的L2R Task 2.0基准,包含精炼的指标与基线方法。我们还提供了首届L2R自主赛车虚拟挑战赛(由卡内基梅隆大学、Arrival Ltd.、AICrowd、Amazon Web Services与本田研究所支持)的部署、评估与排名概览,该赛事正式采用新L2R Task 2.0基准,获得超20,100次浏览、437名活跃参与者、46支队伍与733次模型提交——来自88+家独特机构、58+个不同国家。最后,我们发布挑战赛排行榜结果,并描述在跨域模型迁移、多传感器配置与仿真赛事中排名前二的方法。
引用
@article{arxiv.2205.02953,
title = {Learn-to-Race Challenge 2022: Benchmarking Safe Learning and Cross-domain Generalisation in Autonomous Racing},
author = {Jonathan Francis and Bingqing Chen and Siddha Ganju and Sidharth Kathpal and Jyotish Poonganam and Ayush Shivani and Vrushank Vyas and Sahika Genc and Ivan Zhukov and Max Kumskoy and Anirudh Koul and Jean Oh and Eric Nyberg},
journal= {arXiv preprint arXiv:2205.02953},
year = {2022}
}
备注
20 pages, 4 figures, 2 tables