Key points are not available for this paper at this time.
Autonomes Fahren in der realen Welt (AD), insbesondere im urbanen Raum, beinhaltet viele Grenzfälle. Der kürzlich veröffentlichte AD-Simulator CARLA v2 fügt 39 gängige Ereignisse in der Fahrszene hinzu und bietet im Vergleich zu CARLA v1 eine quasi-realistischer Testumgebung. Dies stellt neue Herausforderungen für die Gemeinschaft dar, und bisher wurde in der Literatur kein Erfolg bei den neuen Szenarien in V2 berichtet, da bestehende Arbeiten größtenteils auf spezifische Regeln für die Planung angewiesen sind, die jedoch die komplexeren Fälle in CARLA v2 nicht abdecken können. In dieser Arbeit ergreifen wir die Initiative, einen Planer direkt zu trainieren, in der Hoffnung, die Grenzfälle flexibel und effektiv zu bewältigen, was wir auch für die Zukunft des AD halten. Nach unserem besten Wissen entwickeln wir die erste modellbasierte RL-Methode namens Think2Drive für AD, mit einem Weltmodell, um die Übergänge der Umgebung zu lernen, und dann fungiert es als neuronaler Simulator, um den Planer zu trainieren. Dieses Paradigma steigert die Effizienz des Trainings erheblich aufgrund des niedrigdimensionalen Zustandsraums und der parallelen Berechnung von Tensoren im Weltmodell. Infolgedessen ist Think2Drive in der Lage, innerhalb von 3 Tagen Training auf einer einzelnen A6000 GPU auf einem Expertenniveau in CARLA v2 zu arbeiten, und nach unserem besten Wissen gab es bisher keinen berichteten Erfolg (100\% Routenabschluss) in CARLA v2. Wir schlagen auch das CornerCase-Repository vor, eine Benchmark, die die Bewertung von Fahrmodellen anhand von Szenarien unterstützt. Darüber hinaus schlagen wir eine neue und ausgewogene Metrik vor, um die Leistung nach Routenabschluss, Verstoßanzahl und Szenarien-Dichte zu bewerten, sodass die Fahrbewertung mehr Informationen über die tatsächliche Fahrleistung liefern kann.
Li et al. (Mon,) haben diese Frage untersucht.