基于视觉的赛车模拟环境驱动智能体

近年来，自动驾驶已成为备受关注的研究领域。由于在紧急情况中轮胎抓地力限制下的控制至关重要，针对赛车开发的算法对公路车辆同样具有应用价值。本文考察了深度强化学习（DRL）用于在模拟环境中解决抓地力极限驾驶问题的方法。采用Proximal Policy Optimization（PPO）方法训练智能体，仅通过视觉输入即可控制车辆的方向盘和油门/刹车，实现专业人类的赛道环 lap 时间。本文阐述了将赛道上最优时间驾驶任务形式化为深度强化学习问题的做法，并解释了所选取的观察、动作与奖励函数。实验结果表明，模型学习到了类人行为，有效利用轮胎的最大抓地力潜能。