Stel je een wereld voor waarin zelfrijdende auto's niet alleen leren racen op één perfect circuit, maar op duizenden verschillende banen, elk met zijn eigen bochten, wendingen en uitdagingen. Dit is het doel van autonoom racen-onderzoek, een vakgebied dat zich toelegt op het leren van machines hoe ze complexe omgevingen kunnen navigeren met hoge snelheden. Om dit veilig en goedkoop te doen, gebruiken wetenschappers kleine, op afstand bestuurbare auto's die de fysica van voertuigen op ware grootte nabootsen. Deze miniature racers, vaak gebouwd op standaard chassis, stellen onderzoekers in staat om te testen hoe goed het "brein" van een computer kan reageren op obstakels, door nauwe bochten kan sturen en de controle kan behouden zonder te crashen. Echter, om deze machines echt vaardig te maken, moeten ze oefenen op een enorme variëteit aan banen. Als ze alleen maar op dezelfde paar circuits racen, worden ze experts in die specifieke paden, maar falen ze wanneer ze met een nieuwe baan worden geconfronteerd. De uitdaging is geweest om genoeg diverse banen te creëren om deze auto's effectief te trainen zonder jarenlang handmatig banen te bouwen.

Een team van onderzoekers heeft een nieuw systeem ontwikkeld genaamd RoboRacer Arena, dat dit probleem oplost door eenvoudige kaarten automatisch om te zetten in gedetailleerde, driedimensionale race-omgevingen. Voorheen moesten onderzoekers kiezen tussen twee moeilijke opties: het gebruik van snelle, eenvoudige computersimulaties die een gebrek hadden aan realistische fysica, of rijke, gedetailleerde 3D-simulatoren die vereisten dat een mens elke track handmatig als een uniek digitaal object bouwde. Het nieuwe systeem overbrugt deze kloof. Het neemt een basiskaart, wat in essentie een raster is dat laat zien waar de vloer is en waar de muren staan, en construeert onmiddellijk een volledige race-wereld compleet met barrières, texturen en realistische botsingsregels. Dit proces vindt plaats in seconden, waardoor de creatie van honderden unieke banen mogelijk is waar een auto op kan rijden net zoals in de echte wereld.

De onderzoekers hebben dit systeem gebouwd om met drie verschillende soorten input te werken, wat het ongelooflijk flexibel maakt. Ten eerste kan het kaarten gebruiken die door de auto's zelf zijn opgenomen tijdens daadwerkelijke wedstrijden, waarbij de exacte lay-out van een echt parcours wordt vastgelegd. Ten tweede kan het beroemde, volwaardige Formule 1-circuits nemen en deze verkleinen tot de grootte van de miniature auto's, waarbij de beroemde bochten en rechte stukken van de originele banen behouden blijven. Ten derde, en misschien wel het meest indrukwekkend, kan het systeem luisteren naar een persoon die een baan beschrijft in gewone Engelse taal. Als een onderzoeker zegt dat hij een parcours wil met drie scherpe haarspeldbochten en één chicane binnen een specifieke kamergrootte, begrijpt het systeem dit verzoek en genereert het een geldige baan die aan deze regels voldoet. Het raadt niet alleen maar; het volgt een strikt pakket controles om te garanderen dat de baan fysiek mogelijk is, het juiste aantal bochten heeft en binnen de gevraagde ruimte past voordat deze überhaupt wordt gebouwd.

Om dit te bereiken, heeft het team een pijplijn gecreëerd die fungeert als een zeer gedisciplineerde architect. Wanneer er een verzoek binnenkomt, of het nu een kaart of een zin is, controleert het systeem eerst of het idee überhaupt mogelijk is. Het berekent of de gevraagde bochten in de ruimte passen en of de baan lang genoeg is voor een race. Als het verzoek onmogelijk is, wordt het onmiddellijk afgewezen. Als het mogelijk is, construeert het systeem de baan met behulp van een rastergebaseerde methode die ervoor zorgt dat de muren en vloeren perfect zijn uitgelijnd. Het zet dit raster vervolgens om in een 3D-model dat een physics engine kan begrijpen, compleet met onzichtbare muren om tegenaan te botsen en getextureerde vloeren voor de banden om grip te krijgen. Dit hele proces, van een eenvoudig idee of een platte kaart naar een klaar-om-te-rijden 3D-omgeving, duurt tussen de 1,18 en 2,48 seconden. Deze snelheid betekent dat onderzoekers in enkele minuten een bibliotheek van 130 verschillende banen kunnen genereren, een taak die met oudere methoden dagen of weken had gekost.

Het systeem werd rigoureus getest om te waarborgen dat het doet wat het belooft. In een reeks proeven met tien verschillende banen en meerdere pogingen, genereerde het systeem elke keer succesvol geldige kaarten, waarbij het alle veiligheids- en ontwerpcontroles doorstond. Wanneer de onderzoekers het systeem vroegen om banen te bouwen op basis van natuurlijke taalbeschrijvingen, interpreteerde het systeem de vereisten correct en produceerde het banen die aan de specificaties voldeden. Het team heeft ook geverifieerd dat het systeem complexe, real-world data kan verwerken, zoals kaarten die zijn opgenomen tijdens de 27ste RoboRacer Autonomous Racing Competitie, en deze kan omzetten in accurate 3D-simulaties. Bovendien hebben ze het systeem opgeschaald om honderden auto's tegelijkertijd te laten draaien. In een benchmarktest slaagde het systeem erin om meer dan 8.700 stappen van beweging voor 256 auto's simultaan te simuleren, wat bewees dat het de zware computationele last kan dragen die vereist is voor grootschalige training.

Wat dit werk significant maakt, is niet alleen de snelheid, maar ook de consistentie en de variëteit die het biedt. De onderzoekers ontdekten dat door een gemeenschappelijk digitaal formaat voor alle banen te gebruiken, ze verschillende bronnen konden combineren en afwisselen — echte wedstrijdkaarten, verkleinde Formule 1-circuits en computergegenereerde parcoursen — in één enkele, verenigde trainingsomgeving. Dit stelt de autonome auto's in staat om op een veel breder scala aan oppervlakken en lay-outs te leren dan ooit tevoren. Het systeem bevat ook een gedetailleerd model van de auto zelf, rekening houdend met hoe de banden grip hebben op de grond en hoe het voertuig stuurt, zodat de simulatie echt aanvoelt. Door de taak van het beschrijven van de baan te scheiden van de taak van het bouwen ervan, hebben de onderzoekers een systeem gecreëerd waarbij de logica transparant is en de resultaten reproduceerbaar zijn.

De implicaties van dit werk strekken zich uit buiten alleen het racen. Het vermogen om snel diverse, hoogwaardige omgevingen te genereren is een cruciale stap naar het trainen van robots die in de onvoorspelbare echte wereld kunnen opereren. Of het nu gaat om een bezorgrobot die door een magazijn navigeert of een zelfrijdende auto die een nieuwe stadstraat hanteert, het vermogen om te oefenen op een breed scala aan gesimuleerde scenario's is essentieel voor veiligheid en betrouwbaarheid. Het RoboRacer Arena-systeem demonstreert dat we de creatie van deze trainingsgronden kunnen automatiseren, waardoor de bottleneck van handmatig ontwerp wordt weggenomen. De onderzoekers hebben hun tools en de 130 door hen gegenereerde banen beschikbaar gesteld aan het publiek, in een uitnodiging aan anderen om op dit fundament voort te bouwen. Naarmate het veld van autonome robotica vordert, zal het vermogen om trainingsomgevingen snel en betrouwbaar op te schalen waarschijnlijk een standaardvereiste worden, en dit systeem biedt een duidelijk pad voorwaarts.

Uiteindelijk presenteert het artikel een praktische oplossing voor een langlopend probleem in de robotica: hoe je genoeg trainingsdata krijgt zonder een fortuin uit te geven. Door eenvoudige kaarten en tekstbeschrijvingen in de oogwenk om te zetten in complexe, physics-ready werelden, hebben de onderzoekers autonome voertuigen een nieuwe manier gegeven om te leren. Het systeem beweert niet perfect te zijn; het erkent dat het momenteel het beste werkt met vlakke banen en uniforme oppervlakken, en dat complexere kenmerken zoals veranderende hoogtes nog in ontwikkeling zijn. Echter, voor het specifieke doel van het trainen van kleine racewagens, biedt het een robuust, snel en flexibel hulpmiddel dat zijn waarde in de simulatie al heeft bewezen. Het resultaat is een platform waarbij de enige beperking voor het aantal banen waarop een auto kan racen, de snelheid is waarmee de computer de banen genereert.