在 CPU 上运行 CARLA 0.8.4 基准测试子集

多索维茨基等人。 (2017) 通过 CARLA 中的目标完成情况和违规情况来评估城市驾驶。官方 驾驶基准存储库 为后续的 CARLA 0.8.4 版本提供 CoRL2017 任务套件。

此示例使用作者简单的 ForwardAgent 运行三个原始直线姿势对。它会禁用相机渲染,以在没有 NVIDIA GPU 的机器上执行本机物理和基准指标。原论文MP/IL/RL模型权重尚未匹配;这是一个基准调整,而不是其成功率的复制。

使用隔离的 Python 3.7 环境和包含的要求。通过 GitHub 发布链接检索官方 0.8.4 Linux 二进制文件,验证provenance.json 中的存档哈希,并将其提取到 carla084 中。将存档放在旁边后运行 fetch-source.sh;这将检索固定的基准源并应用兼容性更改。这些更改将显式生成器 StopIteration 替换为 return (Python PEP 479),并将 NaN 打印阈值替换为有限阈值(仅显示格式)。

运行 python launch_carla.py --attempt 1 --client carla_benchmark_subset.py。启动器以 headless/nullRHI 模式启动原始 Unreal 服务器,运行作者基准测试,并停止其自己的服务器。将其本机 CSV 文件保留在 _benchmarks_results 和总结下 carla-output.

检查的运行使用 Town01、WeatherId 1、没有其他演员和姿势对 36→40、39→35 和 110→114。三人均以零碰撞记录实现了目标。完成时间分别为 8.3、8.3 和 7.8 simulation 秒,距离目标还有 0.2231、0.2231 和 0.9137 米。完整的配置针对每个任务/天气使用 25 个姿势对;此示例使用 3。不要从此子集推断群体成功率。

表1报告培训条件直线路线的成功率为98%(MP)、95%(IL)和89%(RL)。 我们的前瞻机构和减少的传感器/任务设置各不相同,因此3/3的成功并不是这些比率的估计。 表1和表2要求原始纸剂重量、匹配的模拟器版本、传感器输入和完整 evaluation 条件。 运行时间/资产保留其捆绑的条款; 基准源为 MIT. . 人类科学审查尚待进行。

下载录制文件#

完整的运行记录 · 所有候选人的尝试。人类科学审查正在等待中。

查看 GitHub 上的源代码