End2Race: An End-to-End Learning Framework for Multi-Vehicle Autonomous Racing
Dit artikel introduceert End2Race, een end-to-end leersframework voor autonoom racen met meerdere voertuigen dat een inferentielatentie van minder dan een milliseconde bereikt en bestaande regelgebaseerde en single-vehicle leermethoden overtreft door robuuste generalisatie, hoge snelheden en adaptief inhalen te demonstreren in head-to-head competities.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De wereld van zelfrijdende auto's wordt vaak voorgesteld als een rustige rit over een rechte snelweg, waarbij het voertuig simpelweg een stopbord of een voetganger moet herkennen. Maar de echte test voor de intelligentie van een autonoom systeem ligt in de chaos van een racecircuit. Hier bewegen voertuigen met hoge snelheden en reageren ze constant op elkaar in een dynamische omgeving waar een fractie van een seconde het verschil kan betekenen tussen een succesvolle inhaalmanoeuvre en een crash. Om deze risicovolle omgeving te bestuderen zonder het risico te lopen dure echte auto's te vernielen, gebruiken onderzoekers een verkleind platform dat bekend staat als F1Tenth. Deze zijn een tiende van de grootte van een echte auto en zijn uitgerust met sensoren die hun omgeving scannen als een radar, waardoor ze banen kunnen afleggen met snelheden die de 18 meter per seconde naderen. De uitdaging is niet alleen om snel te rijden, maar om snel te rijden terwijl er complexe beslissingen worden genomen over wanneer men moet versnellen, wanneer men moet afremmen en hoe men zich langs een rivaliserend voertuig kan wurmen zonder het aan te raken.
Jarenlang vertrouwden de meest succesvolle strategieën in deze racecompetities op rigide, vooraf geprogrammeerde regels. Ingenieurs bouwen een digitale kaart van de baan voordat de race begint en berekenen de perfecte lijn die de auto moet volgen. Hoewel dit goed werkt op een bekende baan, faalt het op het moment dat de auto een nieuw ontwerp tegenkomt of een rivaal die niet het verwachte pad volgt. Andere methoden proberen direct te reageren op wat de auto op dat moment ziet, maar ze missen vaak het vooruitzicht om een vloeiende manoeuvre te plannen, wat leidt tot schokkerig, instabiel rijgedrag. Een derde benadering maakt gebruik van machine learning, waarbij een computer leert door naar experts te kijken of door middel van trial-and-error. De meeste van deze leersystemen zijn echter alleen getest op individuele auto's die alleen rijden, of ze waren te traag om in realtime te reageren, waardoor ze gedwongen werden om snelheden te rijden die veel te laag waren om competitief te zijn. De kloof bleef bestaan: niemand had er succesvol in geslaagd een computer te leren hoe hij met hoge snelheden head-to-head tegen een ander voertuig moet racen terwijl hij direct reageert.
Om deze kloof te overbruggen, introduceerde een team van onderzoekers een nieuw systeem genaamd End2Race. Dit framework is ontworig om een autonome auto te leren hoe hij een ander voertuig in realtime kan inhalen, met behulp van een leerproces dat nabootst hoe een menselijke bestuurder zou leren: eerst door naar een expert te kijken en vervolgens door zelfstandig te oefenen. De onderzoekers richtten een virtuele trainingsgrond in waar een auto, bekend als het ego-voertuig, wordt gekoppeld aan een tegenstander. Ze creëerden 720 verschillende scenario's waarin de tegenstander langs verschillende paden en met verschillende snelheden rijdt, waardoor de lerende auto gedwongen wordt uit te zoeken hoe hij een gat vindt, erin beweegt en veilig inhaalt. Het systeem vertrouwt niet op een vooraf getekende kaart van de baan; in plaats daarvan leert het te rijden uitsluitend op basis van de ruwe gegevens van zijn sensoren en de snelheid van zijn eigen motor.
De kern van dit systeem is een neuraal netwerk, een type computerprogramma dat ontworig is om patronen te herkennen, dat gebouwd is om ongelooflijk snel te zijn. In de wereld van autonoom racen wordt tijd gemeten in milliseconden, en een vertraging van zelfs een fractie van een seconde kan ervoor zorgen dat een auto een bocht mist of een botsing veroorzaakt. De onderzoekers hebben hun netwerk zo ontworpen dat het een beslissing neemt in minder dan één milliseconde, een snelheid die snel genoeg is om de snelle veranderingen van een race bij te houden. Om dit netwerk te trainen, gebruikten ze eerst een methode genaamd behavioral cloning, waarbij de computer 720 acht-seconden durende expertdemonstraties analyseerde om de basis van sturen en snelheid te leren. Het kopiëren van de expert was echter niet voldoende, omdat de expert soms fouten maakte of er niet in slaagde zich aan te passen aan de onvoorspelbare aard van een bewegende tegenstander. Om dit op te lossen, lieten het team de computer vervolgens 500 keer tegen zichzelf racen in deze scenario's, met behulp van een techniek genaamd reinforcement learning. In deze fase werd de auto beloond voor het snel vooruitkomen en gestraft voor het crashen, waardoor het zijn eigen strategieën kon verfijnen en leerde hoe het situaties moest afhandelen die de expert nooit was tegengekomen.
De resultaten van deze training waren opmerkelijk. Wanneer getest op een baan die het nog nooit eerder had gezien, kon de geleerde auto een gemiddelde snelheid van meer dan 8,5 meter per seconde rijden, wat aanzienlijk sneller is dan eerdere leersgebaseerde methoden die vaak beperkt waren tot snelheden onder de 3 meter per seconde. Belangrijker nog, wanneer het in een head-to-head race tegen een tegenstander werd geplaatst, slaagde het nieuwe systeem erin de rivaal in bijna 97 procent van de pogingen in te halen, terwijl het een veiligheidsrecord van bijna 98 procent handhaafde. Deze prestatie was ver boven de oudere regelgebaseerde systemen en andere leermethoden uit, die ofwel frequent crashten of er niet in slaagden de tegenstander in te halen. Het systeem bleek in staat te zijn zich aan te passen aan verschillende tegenstanders, zelfs wanneer die tegenstanders op manieren reden die de computer nog nooit eerder had gezien, zoals het gebruik van een ander algoritme om obstakels te vermijden.
De onderzoekers onderzochten ook precies hoe de auto zijn beslissingen nam. In één scenario detecteert de auto een tragere tegenstander voor zich, verschuift soepel naar de zijkant om uit te lijnen met een gat, en versnelt vervolgens om in te halen. In een ander scenario remt de auto iets af voor een scherpe bocht om de controle te behouden, en versnelt vervolgens krachtig zodra hij de bocht uitrijdt, een manoeuvre die de technieken nabootst die door professionele menselijke coureurs worden gebruikt. Het systeem was niet perfect; in zeldzame gevallen waarin de baan plotseling versmalde terwijl de twee auto's naast elkaar reden, botste de auto omdat hij de toekomstige vorm van de baan niet kon voorspellen. Echter, deze fouten kwamen veel minder vaak voor dan bij andere methoden, en de algehele prestatie toonde aan dat de auto een robuuste, aanpasbare rijstijl had geleerd.
Dit werk suggereert dat de toekomst van autonoom racen, en potentieel hoogwaardig autonoom rijden in het algemeen, ligt in systemen die kunnen leren van ervaring in plaats van te vertroukken op statische regels. Door een snel, efficiënt neuraal netwerk te combineren met een tweestaps trainingsproces, hebben de onderzoekers aangetoond dat een machine kan leren om complexe, dynamische interacties te navigeren met een niveau van snelheid en veiligheid dat voorheen onbereikbaar was. Het systeem heeft geen kaart nodig om te weten waar het heen moet; het heeft alleen nodig om de wereld te zien, de verkeersstroom te begrijpen en in een oogwenk te reageren. Terwijl de onderzoekers zich voorbereiden om dit systeem te testen in echte wedstrijden tegen andere teams, reiken de implicaties verder dan de racebaan; ze bieden een blik op hoe autonome voertuigen zich op een dag de onvoorspelbare chaos van gedeelde wegen met vertrouwen en vaardigheid zouden kunnen aan toendoen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.