研究者らは、人間のデモンストレーションなしで堅牢な自律運転エージェントを訓練するために設計された、手続型運転シミュレータおよび自己対戦学習スタックであるTerraZeroを発表した。本システムは、ゼロコピーパス上でCPU上でシミュレーションを実行し、GPU上でポリシー推論を行い、単一のサーバーグレードGPU上で1秒あたり130万エージェントステップを維持する。

  • 記録されたデータを現実世界の地図幾何学情報のみに使用し、ランダム化されたルールベースの道路ユーザーおよび信号制御装置で地図を埋める。
  • エピソードごとにエージェントのダイナミクス、報酬、サイズをランダム化し、各地図から無制限のシナリオセットを生成する。
  • 推論時にフォールバックプランナーなしで、GPU間で強化学習によりポリシーを一から訓練する。
  • 左側通行の出現を含む、都市やデータセット間でゼロショット汎化を実現する。
  • InterPlanロングテールベンチマークで首位を獲得し、これを実現した初の完全学習ポリシーとなる一方、routine-driving val14では最も安全なアプローチの一つとしてランクインしている。

TerraZeroは、車とトラックのダイナミクスにわたる運転ポリシーと、車両、歩行者、自転車 rider を共同制御するシミュレーションエージェントの両方に対する統一されたスタックとして機能する。