Deep Reinforcement Learning for Adverse Garage Scenario Generation

自动驾驶汽车需要行驶超过110亿英里以确保其安全性。因此，在进行实际测试之前进行模拟测试的重要性是不言而喻的。近年来，以Carla和CarSim为代表的自动驾驶3D模拟器的发布标志着自动驾驶模拟测试环境从简单的2D俯视图向复杂的3D模型的转变。在模拟测试期间，实验者需要构建静态场景和动态交通流、行人流和其他实验元素来构建实验场景。在3D模拟器中构建静态场景时，实验者通常需要手动构建3D模型、设置参数和属性，这是耗时和劳动密集的。本文提出了一个自动程序生成框架。基于深度强化学习，该框架可以生成不同的2D地面脚本代码，然后建立3D模型文件和地图模型文件。生成的3D地面场景在Carla模拟器中显示，实验者可以使用此场景进行导航算法模拟测试。

自动驾驶仿真测试中，手动构建3D模型是耗时且劳动密集的，本文提出一种基于深度强化学习的自动生成程序框架，用于构建3D场景模型。

基于深度强化学习的自动生成程序框架，可以生成不同的2D地面脚本代码，用于构建3D模型文件和地图模型文件，从而实现在Carla仿真器中进行导航算法仿真测试。

本文提出的自动生成程序框架可以显著减少手动构建3D模型的时间和劳动成本，同时提高了仿真测试的效率和精度。实验结果表明，该框架可以生成高质量的3D场景模型，并且在导航算法仿真测试中表现良好。

近年来，自动驾驶仿真测试领域出现了一些3D仿真器，如Carla和CarSim，但手动构建3D模型仍然是一个耗时且劳动密集的任务。