研究者たちは、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、プロシージャルな運転シミュレーターおよび自己対戦トレーニングスタックであるTerraZeroを発表しました。このシステムは、ゼロコピーパスを通じて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う構成可能なCエンジンを利用しており、単一のサーバーグレードGPUで1秒あたり130万エージェントステップを維持します。

  • ポリシーは、ゼロ人間のデモンストレーションと推論時のフォールバックプランナーなしで、強化学習によってスクラッチから訓練されます。
  • シミュレーターは記録されたデータをマップジオメトリとしてのみ扱い、ランダム化されたルールベースの道路ユーザーでマップを埋めることで、無制限のシナリオを作成します。
  • エゴポリシーとして、TerraZeroはInterPlanロングテールベンチマークでトップを獲得し、routine-driving val14では最も安全なアプローチの一つにランクインしています。
  • Waymo Open Sim Agents realismにおいて、本手法は他のデモンストレーションフリーの方法を上回り、リファレンスアンカー付き自己対戦と競合可能な性能を示します。

TerraZeroにより、ポリシーは都市やデータセット間でゼロショットで汎化可能となり、自然発生的な左側通行の運転を含む、運転ポリシーシミュレーターおよび車両、歩行者、自転車用のエージェントコントローラーとして機能します。