Exécuter une CARLA 0.8.4 Sous-ensemble de référence sur CPU
Dosovitskiy et al. (2017) évaluer la conduite urbaine avec l'achèvement des objectifs et les infractions en CARLAC'est vrai. Le fonctionnaire drive-benchmarks dépôt fournit la suite de tâches CORL2017 pour la dernière CARLA 0.8.4 libération.
Cet exemple lance trois paires de poses en ligne droite originales avec les auteurs trivial ForwardAgent. Il désactive le rendu de la caméra pour exercer la physique native et les mesures de référence sur une machine sans GPU NVIDIA. Les poids des modèles MP/IL/RL sur papier original n'ont pas été appariés; Il s'agit d'une adaptation de référence, et non d'une reproduction de leurs taux de réussite.
Utilisez un environnement Python 3.7 isolé et les exigences incluses. Récupérer le binaire officiel 0.8.4 Linux à travers son GitHub release link, vérifier le hash d'archive dans provenance.json, et l'extraire dans carla084. Exécuter fetch-source.sh après avoir placé l'archive à côté; ce qui récupère la source de référence épinglée et applique des changements de compatibilité. Les modifications remplacent le générateur explicite StopItération par retour (Python PEP 479) et remplacent un seuil d'impression NaN par un seuil fini (formatage d'affichage seulement).
Courez python launch_carla.py --attempt 1 --client carla_benchmark_subset.py. Le lanceur démarre le serveur Unreal d'origine en mode headless/nullRHI, exécute le test d'auteur et arrête son propre serveur. Conservez ses fichiers CSV natifs sous _benchmarks_results et résumé carla-output.
La course contrôlée a utilisé Town01, WeatherId 1, aucun autre acteur et pose des paires 36→40, 39→35 et 110→114. Tous les trois ont atteint l'objectif avec zéro collision enregistrée. Les temps d'achèvement étaient de 8,3, 8,3 et 7,8 simulation secondes, laissant 0,2231, 0,2231, et 0,9137 mètres au but. La configuration complète utilise 25 paires de poses par tâche/temps; cet exemple utilise 3. Ne pas déduire un taux de réussite de la population de ce sous-ensemble.
Le tableau 1 fait état de taux de réussite en ligne droite de 98 % (MP), 95 % (IL) et 89 % (RL). Notre configuration ForwardAgent et de capteur/tâche réduite diffèrent, donc le succès 3/3 n'est pas une estimation de ces taux. La reproduction des tableaux 1 et 2 nécessite des poids d'origine sur papier-agent, la version du simulateur assortie, les entrées de capteur rendues et complètes evaluation les conditions de travail. Temps d'exécution/actifs conservent leurs termes groupés; la source de référence est MITC'est vrai. L'examen scientifique humain est en cours.
Télécharger les fichiers enregistrés#
- summary.csv — le résultat de référence natif.
- measurements.csv — le résultat de référence natif.
- summary.json — résumé.
- benchmark-summary.json — résumé.
- trajectory.csv — le résultat de référence natif.
- carla_headless_client.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- carla_benchmark_subset.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- launch_carla.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- requirements.txt — le conducteur ou l'enregistrement d'environnement ou de source portable.
- patch-legacy.py — le conducteur ou l'enregistrement d'environnement ou de source portable.
- fetch-source.sh — le conducteur ou l'enregistrement d'environnement ou de source portable.
- provenance.json — le conducteur ou l'enregistrement d'environnement ou de source portable.
Enregistrement complet · Toutes les tentatives des candidats. Un examen scientifique humain est en cours.