May, 2022

Learn-to-Race Challenge 2022: 自主赛车中的安全学习和跨领域泛化基准测试

PDF
TL;DR本文介绍了 L2R 2.0 自动驾驶比赛基准测试，通过多模态感知的强化学习方法在复杂的赛道环境中测试模型的安全、性能和泛化能力。
autonomous racingreinforcement learningmulti-modal perceptionbenchmarkingcross-domain model transfer
发现论文，激发创造
  • Learn-to-Race: 自主赛车的多模态控制环境

    该论文通过模拟赛车比赛的方式，使用多模态信息来帮助自动驾驶智能体的学习，在对真实世界的模拟中精确模拟车辆动力学和赛车条件，实现了智能体的学习。

    Mar, 2021

  • 基于激光雷达的端到端强化学习自主赛车

    该研究使用强化学习算法开发和训练了一个代理机器人，在模拟环境中利用激光和速度数据导航赛车，并在真实赛车场景中进行了实验评估，展示了强化学习算法在提高自主驾驶赛车性能方面的可行性和潜在优势。

    Sep, 2023

  • 使用深度强化学习在 Gran Turismo Sport 中实现超人类表现

    本文提出了一种基于深度强化学习、高保真的物理模拟和课程进展奖励的学习系统，用于 Gran Turismo Sport 自动汽车竞赛，并在超过 50,000 名人类玩家数据集中，实现了超越自带 AI 和人类最快驾驶者的自主赛车性能。

    Aug, 2020

  • DeepRacer: 自主驾驶教育赛车平台 进行 Sim2Real 强化学习实验

    DeepRacer 是一个用于 RL 端到端实验的平台，可以用来系统地研究智能控制系统开发中的关键挑战。该平台的应用展示了如何使用 RL 和单眼摄像头来训练 1/18 比例的小车自主学习驾驶，尤其展示出了一个能够通过使用原始相机图像观察和无模型学习方法执行鲁棒路径规划的机器人控制代理的 RL 算法。

    Nov, 2019

  • 朝向最优头对头自主赛车的课程加强学习

    头对头自主赛车的最优策略研究中，我们提出了一个基于课程学习的框架来逐步过渡到更复杂的真实环境，以教授强化学习代理一个更接近最优策略的方法，并提出了基于控制屏障函数的安全强化学习算法，既能有效保证代理的安全性又不会牺牲策略的最优性。

    Aug, 2023

  • Driver Dojo: 自主驾驶通用强化学习基准测试

    本论文基于可配置、灵活、高性能的代码库，提出了一种挑战性的自动驾驶通用强化学习基准测试方法，该方法使用随机化场景生成器的目录，包括多种不同的道路布局和交通变化机制、不同的数值和视觉观察类型、不同的动作空间、多种车辆模型等。该基准测试旨在鼓励研究人员提出能够成功地推广到各种场景的解决方案，目前的 RL 方法在这项任务中失败。

    Jul, 2022

  • 在潜空间中通过规划解决自动驾驶赛车挑战

    本研究实现自主赛车，利用 U-Net 模型实现道路切分、可变自编码器编码路面二进制掩模、最近邻搜索策略确定最佳动作，获得了最小违法行为的最短用时。

    Jul, 2022

  • FastRLAP: 基于深度 RL 和自主练习的高速驾驶学习系统

    使用增强学习的方法，我们开发了一个系统，让自动驾驶小型遥控车在现实世界中进行训练，实现了强有力的导航能力以及避免障碍物碰撞的技能，其在线训练不到 20 分钟即可实现自动驾驶。

    Apr, 2023

  • 以强化学习为基础的自主 Formula SAE 车辆控制的赛车之路

    探索利用深度强化学习（RL）进行端到端控制的无人驾驶车辆在自主 FS 赛车比赛中的应用，并展示了该方法在模拟环境和实际赛道上的成功应用。

    Aug, 2023

  • Indy Autonomous Challenge -- 处理极限的自主赛车

    该研究论文介绍了一个团队以参加 2021 年 Indy 自主挑战赛来测试自动驾驶软件堆栈，在软件开发流程和硬件模拟方面进行了详细说明，并概述了软件架构和开发重点。

    Feb, 2022