Plánování pro studentskou autonomní formuli založené na podmíněném behaviorálním klonování

Abstract

Tato diplomová práce představuje algoritmus pro plánování trasy pomocí neuronové sítě pro autonomní formuli účastnící se kategorie Driverless v univerzitni soutěži Formula Student. V této soutěži, plně autonomně řízené formule jezdí po závodních okruzích vyznačených pomocí dopravních kuželů. Historicky bylo plánování trasy, po které má auto jet, prováděno pomocí jednoduchých geometrických předpokladů a ručně vytvořených pravidel pro plánování středové čáry trati. Tato práce představuje metodu plánování trasy založenou na imitaci experta. Vygenerujeme dataset virtuálních tratí a specifických zatáček (pravoúhlé, šikany, hairpin, atd.) spolu s jejich optimálními závodními trasami. Uvnitř simulátoru auto virtuálně projíždí tyto tratě, aby zaznamenalo expertní trajektorie. Poté natrénujeme neuronovou síť, aby tyto expertní trajektorie imitovala a naučila se mapování z vizuálních vstupů auta na předpovídání správné trasy, bez jakéhokoli explicitního odhadu mapy nebo ručně vytvořených pravidel. Síť se naučí vlastní časovou reprezentaci scény, což jí umožňuje plánovat na základě kontextu nedávných pozorování. Model podmiňujeme tokenem, který mu dává informace o typu zatáčky, jež je před ním. To umožňuje modelu provádět složité manévry, jako je nadjetí si před zatáčkou pro plynulý průjezd. Demonstrujeme také schopnost využítí plánovacího modelu pro disciplínu skidpad, osmičkovou trať. Na skidpadu se musí auto rozhodovat na základě kontextu jízdy, což obvykle vyžaduje použití algoritmů pro mapování a lokalizaci. Ukazujeme, že plánovač založený na neuronové síti se naučí naplánovat správnou trasu podle podmiňovacího vektoru. Představenou metodu vyhodnotíme jak v simulacích, tak na fyzickém autě, přičemž ukazujeme, že neuronová síť může překonat referenční klasickou metodu plánování.

This thesis presents a novel, neural-network based path planning solution for an autonomous Formula Student car. In the competition, the car autonomously drives on racing tracks marked by traffic cones. Departing from traditional geometric and rule–based approaches, we use behavioral cloning to train a neural network to predict optimal racing line by learning to imitate expert demonstrations. Our method consists of synthetically generating a dataset of virtual tracks and scenarios, including right-angle turns, chicanes and hairpins, each paired with the optimal racing line. Using a simulator, we collect expert trajectories of the car driving on these tracks, which serve as training data for our neural network path planner model. This model, designed as a sequence– to–sequence architecture with Gated Recurrent Units (GRUs), learns to map scene state information (traffic cone detections) to a sequence of path points, representing the path the car should follow. Our approach incorporates a conditioning mechanism that provides the network with high–level tokens, which let the network know about the type of the upcoming turn. This enables the model to anticipate certain track features and execute complex maneuvers, such as setting up early for a turn to be able to drive through it smoothly and at higher speeds, mimicking the way human pilots drive. Furthermore, we demonstrate the model’s ability to drive the skidpad discipline, an 8–shaped track, in which the car has to turn based on the context of the drive, typically requiring the use localization and mapping algorithms. We show that our model learns to predict the correct path using only local information. We evaluate the proposed method both in simulations and using a physical car. We show, that the car is able to drive at higher speeds, when using our model, compared to baseline classical planning algorithm.