一款用于迷你 Ackermann 车辆端到端自动驾驶的低成本开放平台

本文提出一个用于迷你 Ackermann 车辆端到端自动驾驶研究的低成本开放实验平台。该平台结合了实体车辆、打印的城市赛道、数据采集工具、轨迹标定以及 Webots 数字孪生，从而支持将基于仿真的自动驾驶方法与真实世界执行相衔接的受控实验。作为第一个基线，我们实现了命令条件化的行为克隆，其中一个神经策略接收车载相机图像和高层导航指令，并输出转向和速度。该系统在实体车辆和仿真中都进行了评估。在真实闭环实验中，所学策略能够沿车道行驶并执行指令转向，相对于参考路线的平均横向偏差达到 6.1 厘米，接近人类示范中的 4.7 厘米。在数字孪生中，摄像头视场对性能有显著影响，当视场角从 58 度扩大到 120 度时，平均横向偏差从 35.6 厘米降至 3.3 厘米。我们进一步利用数字孪生生成合成驾驶数据，并使用学习得到的 sim-to-real 图像翻译器缩小外观差距，结果表明：在这种合成数据上结合真实示范训练的容量更大的策略，是唯一能够在闭环中完成全部四条赛道路线的配置；而紧凑型基线以及仅用真实数据训练的同一网络完成的路线更少。这些结果表明，该开放平台是开展 sim-to-real 研究的实用测试平台，并提供了一个初始的命令条件化模仿学习基线；我们将其开源，以支持可复现研究。