跳转至

面向微型阿克曼车辆端到端自动驾驶的低成本开源平台

文章背景与核心概要

端到端自动驾驶技术近年来取得了显著进展，但在真实物理硬件上进行算法验证通常面临成本高昂、复现困难以及仿真到真实（Sim-to-Real）迁移鸿沟等挑战。本文介绍了一种基于微型阿克曼转向车辆的低成本、开源实验平台，旨在打通从仿真到现实的完整研发闭环。该平台集成了实体微型车、打印城市场地、完善的数据采集与轨迹注册工具，以及用于仿真工作流的 Webots 数字孪生系统。

作为基准验证，作者实现了条件行为克隆（command-conditioned behavior cloning）算法，通过神经网络处理车载相机输入和高层导航指令，直接生成转向和速度控制。核心实验结果表明，该策略在真实世界中成功实现了闭环循迹与转弯，平均横向偏差仅为 6.1 厘米（人类驾驶演示为 4.7 厘米）；同时，通过 Webots 仿真测试发现，将相机视野（FoV）从 \(58^\circ\) 扩大到 \(120^\circ\) 可大幅降低平均横向偏差（从 35.6 厘米降至 3.3 厘米）。此外，结合合成数据与真实数据训练高容量策略，是成功跑完全部四条测试路线的唯一配置，展现出优秀的 Sim-to-Real 泛化能力。该平台的开源为可复现的自动驾驶研究提供了强有力的工具。

摘要与概览 (Executive Summary)

本文介绍了一个低成本、开源的实验平台，专为使用微型阿克曼转向车辆研究端到端自动驾驶而设计。该平台弥合了仿真与现实执行之间的差距，集成了以下组件： * 一款实体微型车辆 * 一个打印的城市场地 * 全面的数据采集工具和轨迹注册系统 * 用于基于仿真工作流的 Webots 数字孪生体

This paper introduces a low-cost, open experimental platform designed to research end-to-end autonomous driving using miniature Ackermann-steering vehicles. Bridging the gap between simulation and real-world execution, the platform integrates: * A physical miniature vehicle * A printed urban track * Comprehensive data collection tools and trajectory registration * A Webots digital twin for simulation-based workflows

作为初步基准，作者实现了命令条件行为克隆（command-conditioned behavior cloning），其中神经网络策略处理车载相机画面和高级导航指令，以生成转向和速度输出。

As an initial benchmark, the authors implemented command-conditioned behavior cloning, where a neural network policy processes on-board camera feeds and high-level navigation commands to generate steering and speed outputs.

关键发现与结果 (Key Findings & Results)

  • 真实世界性能： 学习到的策略在闭环物理实验中成功地进行了车道导航和转向，实现的平均横向偏差为 6.1 厘米（相比之下，人类演示为 4.7 厘米）。
  • 视场角（FoV）影响： 仿真实验表明，将相机的视场角从 \(58^\circ\) 扩大到 \(120^\circ\) 可以显著将平均横向偏差从 35.6 厘米 降低至 3.3 厘米。
  • 仿真到真实（Sim-to-Real）泛化： 利用数字孪生生成合成数据，并结合学习到的仿真到真实图像转换器（以最小化外观差距）被证明至关重要。在合成数据与真实数据组合上训练的高容量策略，是唯一成功在闭环中完成全部四条测试赛道路线的配置。

Key Findings & Results

  • Real-World Performance: The learned policy successfully navigated lanes and executed turns in closed-loop physical experiments, achieving a mean cross-track error of 6.1 cm (compared to 4.7 cm for human demonstrations).
  • Field of View (FoV) Impact: Simulation experiments revealed that expanding the camera’s field of view from \(58^\circ\) to \(120^\circ\) dramatically reduced the mean cross-track error from 35.6 cm to 3.3 cm.
  • Sim-to-Real Generalization: Utilizing the digital twin for synthetic data generation alongside a learned sim-to-real image translator (to minimize the appearance gap) proved essential. A higher-capacity policy trained on combined synthetic and real data was the only configuration to successfully complete all four test track routes in closed loop.

作者已将该平台发布为开源测试床，以鼓励在仿真到真实自动驾驶领域开展可复现的研究。

The authors have released the platform as an open-source testbed to encourage reproducible research in sim-to-real autonomous driving.