CarDreamer: Open-Source Learning Platform for World Model based Autonomous Driving

为了安全地驾驶复杂的真实场景，自动驾驶汽车必须能够适应不同的道路条件并预测未来事件。基于世界模型（WM）的强化学习（RL）已经成为一种有前途的方法，通过学习和预测各种环境的复杂动态来实现。然而，据我们所知，目前不存在一个可供训练和测试这种算法在复杂驾驶环境中的易于使用的平台。为了填补这一空白，我们介绍了CarDreamer，这是第一个专门设计用于开发基于WM的自动驾驶算法的开源学习平台。它包括三个关键组件：1）世界模型骨干：CarDreamer已经集成了一些最先进的WM，这简化了RL算法的复制。骨干与其余部分解耦，并使用标准的Gym接口进行通信，使用户可以轻松地集成和测试自己的算法。2）内置任务：CarDreamer提供了一套全面的高度可配置的驾驶任务，这些任务与Gym接口兼容，并配备了经验优化的奖励函数。3）任务开发套件：该套件简化了驾驶任务的创建，可以轻松定义交通流和车辆路线，并自动收集多模态观察数据。可视化服务器允许用户通过浏览器跟踪实时代理驾驶视频和性能指标。此外，我们使用内置任务进行了广泛的实验，以评估WM在自动驾驶中的性能和潜力。由于CarDreamer的丰富性和灵活性，我们还系统地研究了观察模态、可观察性和车辆意图共享对AV安全和效率的影响。所有代码和文档均可在https://github.com/ucd-dare/CarDreamer上访问。

论文旨在解决自主驾驶领域中的世界模型（WM）学习问题，即如何让自主驾驶车辆适应不同的道路条件和预测未来事件。

该论文提出了一个名为CarDreamer的开源平台，用于开发基于WM的自主驾驶算法。该平台包括世界模型骨干、内置任务和任务开发套件三个关键组件。其中，世界模型骨干集成了一些最先进的WM，简化了RL算法的复现过程。内置任务提供了一系列高度可配置的驾驶任务，配备了经验优化的奖励函数。任务开发套件可加速驾驶任务的创建，包括交通流和车辆路线的定义以及多模态观测数据的自动收集。通过浏览器，可视化服务器允许用户跟踪实时代理驾驶视频和性能指标。

该论文通过使用内置任务进行广泛实验，评估了WM在自主驾驶中的性能和潜力。此外，论文还系统研究了观测模态、可观测性和车辆意图共享对AV安全性和效率的影响。所有代码和文档都可以在GitHub上找到。

最近在这个领域中，还有一些相关的研究。例如，论文引用了“End-to-End Learning for Self-Driving Cars”和“Learning to Drive in a Day”。