ForzaETH Race Stack -- Scaled Autonomous Head-to-Head Racing on Fully Commercial off-the-Shelf Hardware

自主赛车机器人结合了高速动态和可靠性以及实时决策的必要性。虽然这种比赛将软件和硬件推向了极限，但许多现有的完整系统解决方案需要复杂的定制硬件和软件，并且通常集中于时间试验而不是完全无限制的头对头比赛，这是由于财务和安全限制。这限制了它们的可重复性，使得机械、电气和机器人领域具有全面专业知识的资源充足的实验室才能进行进展和复制。对自主领域感兴趣但只有部分领域经验的研究人员需要花费大量时间进行熟悉和集成。ForzaETH比赛堆栈通过提供面向F1TENTH的自主赛车软件平台来填补这一空白，F1TENTH是一个1:10缩放的头对头自主赛车比赛，它通过使用商业现成硬件简化了复制。这种方法增强了自主赛车的竞争方面，并为该领域的研究和开发提供了一个可访问的平台。ForzaETH比赛堆栈的设计考虑了模块化和易于操作的使用，允许自定义和适应各种环境条件，例如轨道摩擦和布局。堆栈能够处理时间试验和头对头比赛，已经通过多次赢得官方F1TENTH国际比赛而证明了其有效性、稳健性和适应性。

为了解决自动驾驶领域中的数据缺乏问题，论文提出了一种基于合成数据的无监督领域自适应方法。

论文提出了一个基于合成数据和领域自适应的方法来解决自动驾驶中的数据缺乏问题，该方法可以帮助无人驾驶汽车在新的环境中更好地适应和泛化。

论文使用了合成数据和真实数据相结合的方法来提高数据的多样性和数量，同时使用领域自适应方法来帮助模型更好地适应新环境。实验结果表明，该方法在不同的数据集和场景下都取得了较好的效果。

最近的相关研究包括基于元学习的领域自适应方法、基于对抗生成网络的合成数据方法以及基于无监督学习的自适应方法等。