A Simulation Benchmark for Autonomous Racing with Large-Scale Human Data

尽管国际奖金比赛、按比例缩小的车辆和模拟环境都已经可用，但是关于自主赛车和控制运行在极限状态下的跑车的研究受到了车辆采购和管理成本的限制，同时开源模拟器的物理准确度也有限。本文提出了一种基于Assetto Corsa模拟器的赛车模拟平台，用于测试、验证和基准测试自主驾驶算法，包括强化学习（RL）和经典的模型预测控制（MPC），在真实而具有挑战性的场景中。我们的贡献包括开发这个模拟平台、几个针对赛车环境的最先进的算法以及从人类驾驶员收集的全面数据集。此外，我们在离线RL环境中评估算法。所有必要的代码（包括环境和基准测试）、工作示例、数据集和视频都已公开发布，可在以下网址找到：https://assetto-corsa-gym.github.io。

论文旨在解决自主赛车控制的研究受到车辆获取和管理成本高以及开源模拟器物理精度有限的问题。作者提出了一个基于Assetto Corsa模拟器的赛车仿真平台，用于测试、验证和基准自主驾驶算法，包括强化学习（RL）和经典模型预测控制（MPC），在现实和具有挑战性的场景中。

论文的关键思路是提出一个基于Assetto Corsa模拟器的赛车仿真平台，用于测试、验证和基准自主驾驶算法，包括强化学习（RL）和经典模型预测控制（MPC），在现实和具有挑战性的场景中。

论文的亮点包括开发了一个仿真平台，提供了几种适合赛车环境的最先进算法，以及一个从人类驾驶员那里收集的全面数据集。此外，论文还在离线RL设置中评估了算法。所有必要的代码（包括环境和基准）、工作示例、数据集和视频都已公开发布。

最近在这个领域中，还有一些相关的研究。例如，2019年的一篇论文“基于强化学习的自主驾驶汽车控制策略研究”和2020年的一篇论文“基于深度学习的自主驾驶汽车控制算法研究”都探讨了自主驾驶汽车控制的问题。