基于强化学习学习赛车策略
机器人学
2025-08-14 v2 系统与控制
系统与控制
摘要
完全自主车辆承诺提供增强的安全性和效率。然而，确保在挑战性corner案例中可靠运行需要能够在车辆极限下进行控制的算法。我们通过考虑自动驾驶赛车任务并提出使用强化学习(RL)学习赛车策略的方法来解决这一要求。我们的做法利用域随机化、执行器动力学建模和策略架构设计，以实现在真实平台上的可靠和安全的零样本部署。在F1TENTH赛车上评估，我们的RL策略不仅超越了最先进的模型预测控制(MPC)，而且据我们所知，也是第一个在RC赛车中超越专家人类司机的RL策略。本工作识别了这种性能提升的关键因素，为设计基于RL的鲁棒控制策略提供了关键见解。
引用
@article{arxiv.2504.02420,
title = {On learning racing policies with reinforcement learning},
author = {Grzegorz Czechmanowski and Jan Węgrzynowski and Piotr Kicki and Krzysztof Walas},
journal= {arXiv preprint arXiv:2504.02420},
year = {2025}
}
备注
This paper has been accepted for publication in the Proceedings of the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025)