[論文レビュー] DeepRacing: Parameterized Trajectories for Autonomous Racing

Trent Weiss, Madhur Behl|arXiv (Cornell University)|May 6, 2020

Autonomous Vehicle Technology and Safety参考文献 39被引用数 8

ひとこと要約

本稿では、F1ビデオゲームの物理演算を用いて、自律走行エージェントのトレーニングおよび評価を目的としたオープンソースで高精細な仮想テストベッド「DeepRacing」を紹介する。本稿では、軌道計画のためのパラメータ化されたベジエ曲線を予測する、エンドツーエンドの深層学習モデル「AdmiralNet」を提案する。このモデルは、ラップタイムと障害耐性の両面で、エンドツーエンド制御およびウェイポイント予測を上回り、耐久性テストにおいて106ラップの走行を達成した。

ABSTRACT

We consider the challenging problem of high speed autonomous racing in a realistic Formula One environment. DeepRacing is a novel end-to-end framework, and a virtual testbed for training and evaluating algorithms for autonomous racing. The virtual testbed is implemented using the realistic F1 series of video games, developed by Codemasters, which many Formula One drivers use for training. This virtual testbed is released under an open-source license both as a standalone C++ API and as a binding to the popular Robot Operating System 2 (ROS2) framework. This open-source API allows anyone to use the high fidelity physics and photo-realistic capabilities of the F1 game as a simulator, and without hacking any game engine code. We use this framework to evaluate several neural network methodologies for autonomous racing. Specifically, we consider several fully end-to-end models that directly predict steering and acceleration commands for an autonomous race car as well as a model that predicts a list of waypoints to follow in the car's local coordinate system, with the task of selecting a steering/throttle angle left to a classical control algorithm. We also present a novel method of autonomous racing by training a deep neural network to predict a parameterized representation of a trajectory rather than a list of waypoints. We evaluate these models performance in our open-source simulator and show that trajectory prediction far outperforms end-to-end driving. Additionally, we show that open-loop performance for an end-to-end model, i.e. root-mean-square error for a model's predicted control values, does not necessarily correlate with increased driving performance in the closed-loop sense, i.e. actual ability to race around a track. Finally, we show that our proposed model of parameterized trajectory prediction outperforms both end-to-end control and waypoint prediction.

研究の動機と目的

• フォトリアリスティックで物理法則に正確なF1ビデオゲームを用いて、高速な自律走行のための現実的でオープンソースの仮想テストベッドを構築すること。
• クローズドループで高精細なシミュレーション環境において、自律走行のためのエンドツーエンド深層学習モデルの性能を評価すること。
• パラメータ化された軌道予測（ベジエ曲線を用いて）が、直接制御またはウェイポイントベースの計画法に比べ、ドライブ性能を向上させるかどうかを調査すること。
• オープンループの性能指標が、リアルタイム制御システムにおけるクローズドループ走行成功を信頼的に予測しないことを示すこと。
• 将来的なマルチエージェント走行研究および、日常的な自律走行への敏捷な走行行動の転送を可能にすること。

提案手法

• DeepRacingフレームワークは、ゲームエンジンコードを変更せずに、F1ゲームの高精細な物理法則とグラフィックスにアクセス可能なC++ APIおよびROS2統合を提供する。
• 最近の$ C $枚のカメラ画像を保持する円形バッファが、制御ループ内でのリアルタイム推論に使用される。
• AdmiralNetは、画像系列を処理し、パラメータ化されたベジエ曲線を予測するために、畳み込みニューラルネットワーク（CNN）と再帰ニューラルネットワーク（RNN）を組み合わせたハイブリッドアーキテクチャを用いる。
• ベジエ曲線は、エゴ車両の局所座標系における滑らかで微分可能な軌道を表す制御点によって定義される。
• 古典的制御アルゴリズムが、予測されたベジエ曲線を用いて、リアルタイムのステアリングおよびアクセル指令を計算する。
• フレームワークはクローズドループ評価をサポートしており、モデルが障害または走破完了まで自動的にレースを走行できる。

実験結果

リサーチクエスチョン

• RQ1 F1シリーズのような高精細なビデオゲーム環境は、エンドツーエンドの自律走行エージェントのトレーニングおよび評価のための信頼できるテストベッドとして機能するか？
• RQ2 パラメータ化された軌道予測（ベジエ曲線を用いて）は、直接エンドツーエンド制御やウェイポイント予測に比べ、より優れた走行性能をもたらすか？
• RQ3 リアルタイム制御システムにおいて、オープンループでのモデル精度とクローズドループ走行性能との相関はどの程度か？
• RQ4 異なる深層学習アーキテクチャは、長時間にわたる自律走行シナリオにおいてどの程度の耐性を示すか？
• RQ5 パラメータ化された軌道アプローチは、他の計画手法と比較して、ラップタイムと障害耐性の両方を向上させるか？

主な発見

• ベジエ曲線予測モデルは、耐久性テストにおいて106ラップの走行を達成したのに対し、ウェイポイント予測モデルは11ラップ、エンドツーエンドモデルは0ラップにとどまった。
• AdmiralNetのパラメータ化された軌道アプローチにより、ウェイポイント予測ベースラインと比較して約5秒のラップタイム短縮が達成された。
• ベジエ曲線予測モデルは、ウェイポイントベース手法と比較して、故障までの時間で100%以上の改善を示した。
• オープンループ性能が優れていたエンドツーエンドモデル（例：低いRMSE）が、必ずしもクローズドループ走行性能が優れていたわけではなく、オープンループ指標と現実世界の走行成功の間に乖離が生じていることが示された。
• 最も遅いモデル、すなわちベジエ曲線予測モデルですら16.396 Hzで動作しており、リアルタイムの自律走行には十分な性能を示した。
• 画像バッファスレッドは1,414.42 Hzで動作しており、計算負荷による画像欠落のリスクが極めて低いことが示された。