Ejecute un subconjunto de pruebas comparativas CARLA 0.8.4 en la CPU
Dosovitskiy et al. (2017) evaluar la conducción urbana con cumplimiento de objetivos e infracciones en CARLA. El funcionario repositorio de puntos de referencia de conducción proporciona el conjunto de tareas CoRL2017 para la versión posterior CARLA 0.8.4.
Este ejemplo ejecuta tres pares de poses de ruta recta originales con el trivial ForwardAgent del autor. Desactiva el renderizado de la cámara para ejercitar la física nativa y las métricas de referencia en una máquina sin una GPU NVIDIA. Los pesos del modelo MP/IL/RL del papel original no coinciden; Esta es una adaptación de referencia, no una reproducción de sus tasas de éxito.
Utilice un entorno Python 3.7 aislado y los requisitos incluidos. Recupere el binario oficial de Linux 0.8.4 a través de su enlace de lanzamiento GitHub, verifique el hash del archivo en provenance.json y extráigalo en carla084. Ejecute fetch-source.sh después de colocar el archivo al lado; esto recupera la fuente de referencia fijada y aplica cambios de compatibilidad. Los cambios reemplazan el generador explícito StopIteration con retorno (Python PEP 479) y reemplazan un umbral de impresión NaN por uno finito (solo formato de visualización).
correr python launch_carla.py --attempt 1 --client carla_benchmark_subset.py. El iniciador inicia el servidor Unreal original en modo headless/nullRHI, ejecuta el punto de referencia del autor y detiene su propio servidor. Mantenga sus archivos CSV nativos en _benchmarks_results y resumen bajo carla-output.
La ejecución comprobada utilizó Town01, WeatherId 1, ningún otro actor y posó los pares 36→40, 39→35 y 110→114. Los tres alcanzaron la meta sin ninguna colisión registrada. Los tiempos de finalización fueron 8,3, 8,3 y 7,8 simulation segundos, dejando 0,2231, 0,2231 y 0,9137 metros hasta la meta. La configuración completa utiliza 25 pares de poses por tarea/clima; este ejemplo utiliza 3. No infiera una tasa de éxito de la población a partir de este subconjunto.
La Tabla 1 informa tasas de éxito en ruta recta en condiciones de entrenamiento del 98% (MP), 95% (IL) y 89% (RL). Nuestro ForwardAgent y la configuración reducida de sensores/tareas difieren, por lo que 3/3 de éxito no es una estimación de esas tasas. La reproducción de las Tablas 1 y 2 requiere pesos de agente de papel originales, la versión del simulador coincidente, entradas de sensores renderizadas y condiciones evaluation completas. El tiempo de ejecución/los activos conservan los términos incluidos; La fuente de referencia es MIT. La revisión científica humana está pendiente.
Descargar los archivos grabados#
- summary.csv — resultado de referencia nativo.
- measurements.csv — resultado de referencia nativo.
- summary.json - resumen.
- benchmark-summary.json - resumen.
- trajectory.csv — resultado de referencia nativo.
- carla_headless_client.py — controlador portátil o registro de entorno/fuente.
- carla_benchmark_subset.py — controlador portátil o registro de entorno/fuente.
- launch_carla.py — controlador portátil o registro de entorno/fuente.
- requirements.txt — controlador portátil o registro de entorno/fuente.
- patch-legacy.py — controlador portátil o registro de entorno/fuente.
- fetch-source.sh — controlador portátil o registro de entorno/fuente.
- provenance.json — controlador portátil o registro de entorno/fuente.
Registro de ejecución completo · Todos los intentos de los candidatos. La revisión científica humana está pendiente.