TorchDriveEnv: 用于自主驾驶的强化学习基准, 包含具有反应性、真实性和多样性的非玩家角色
人工智能
2024-05-08 v1 机器学习
多智能体系统
机器人学
摘要
自主车辆的训练、测试和部署需要真实且高效的模拟器。此外, 由于不同自主系统中呈现的不同问题的高可变性, 这些模拟器需要易于使用且易于修改。为此我们引入 TorchDriveSim 及其基准扩展 TorchDriveEnv。TorchDriveEnv 是一个完全用 Python 编写的轻量级强化学习基准, 可被修改以测试所学驾驶行为中各种因素的影响, 包括不同运动学模型、代理类型和交通控制模式的效应。最重要的是, 与许多基于回放的仿真方法不同, TorchDriveEnv 完全集成了最新行为模拟 API。这使得用户能够在数据驱动的非玩家角色(NPC)中进行训练和评估, 这些 NPC 的初始化和驾驶行为具有反应性、真实性和多样性。我们通过在训练和验证环境中评估常见的强化学习基线来说明 TorchDriveEnv 的效率和简单性。我们的实验表明, TorchDriveEnv 使用便捷, 但难以解决。
引用
@article{arxiv.2405.04491,
title = {TorchDriveEnv: A Reinforcement Learning Benchmark for Autonomous Driving with Reactive, Realistic, and Diverse Non-Playable Characters},
author = {Jonathan Wilder Lavington and Ke Zhang and Vasileios Lioutas and Matthew Niedoba and Yunpeng Liu and Dylan Green and Saeid Naderiparizi and Xiaoxuan Liang and Setareh Dabiri and Adam Ścibior and Berend Zwartsenberg and Frank Wood},
journal= {arXiv preprint arXiv:2405.04491},
year = {2024}
}