Исследователи представляют TerraZero, процедурный симулятор вождения и стек обучения методом self-play, предназначенный для обучения надежных агентов автономного вождения без человеческих демонстраций. Система использует настраиваемый движок C для выполнения симуляции на CPU и вывода политик на GPU по пути с нулевым копированием, обеспечивая 1,3 млн шагов агента в секунду на одном серверном GPU.
- Политики обучаются с нуля с помощью обучения с подкреплением без человеческих демонстраций и без резервного планировщика при выводе.
- Симулятор рассматривает записанные данные только как геометрию карты, заполняя карты случайными на основе правил участниками дорожного движения для создания неограниченных сценариев.
- В качестве эго-политики TerraZero занимает первое место в бенчмарке InterPlan long-tail и входит в число самых безопасных подходов на val14 для рутинного вождения.
- На датасете Waymo Open Sim Agents realism метод превосходит другие методы без демонстраций и конкурентоспособен с self-play, привязанным к референсу.
TerraZero позволяет политикам обобщать знания zero-shot между городами и наборами данных, включая спонтанное вождение по левому рулю, выступая одновременно как симулятор политики вождения и контроллер агентов для автомобилей, пешеходов и велосипедистов.