侠盗猎车5游戏自动驾驶系统配置和分析

摘要

随着计算机硬件的发展，计算能力的提升，以及全球范围内游戏市场的日益繁荣.各大游戏厂商持续开发出无论在图像渲染上，还是在物理仿真效果上，都更加逼近现实的游戏.另一方面，得益于可从游戏引擎中提取的丰富图像信息，以及可靠的标签信息，如何利用游戏进行机器学习算法训练，在世界范围内逐步受到重视.其中又以2015年Rock Star公司在个人电脑平台上发布的《侠盗猎车5》(Grand Theft Auto V，简称GTAV)所模拟的世界设定较为丰富与真实，能够提供一个庞大复杂的动态场景，经过改造，可以成为一个能够进行车辆自动驾驶算法前期训练和检验的平台.由于GTAV是一个商业软件，是闭源项目，虽然内部的素材和动态系统被证实是外部可控的，但同时也存在相关的文档也较为缺乏的问题.为了将GTAV改造成合适的自动驾驶训练场，本文在开源代码的基础上，进行了相关的研究，研究工作主要体现在两方面，一是对开源代码进行了重构和内容扩充，增设额外的虚拟传感器—一个完全可配置的二维/三维激光雷达;二是研究GTAV提供的车辆自动驾驶系统. 由于GTAV的闭源性质，其提供的车辆自动驾驶系统，是一个黑箱系统.但允许外部进行两个层面的控制.较低层面是对车辆的油门、刹车和方向盘的控制.较高层面的是利用四个驾驶行为特性参数，进行驾驶行为意图层面的控制.对此展开的工作内容分为两方面，一是，实现了GTAV车辆自动驾驶系统与外部程序和算法的交互数据链.关于较高层面部分，本文设计的插件能够使GTAV内部的车辆能够按照预设的驾驶行为特性参数、预设的路线，进行单程、单程循环和双程循环，共计三种方式进行车辆驾驶及环境数据.二是，通过分析自动驾驶系统配置所必需的四个参数（在文中称为驾驶行为特性参数），完成了相关的配置方案.使用这些方案配置GTAV车辆自动驾驶系统，分析其驾驶行为特性，得到配置方案中的驾驶行为特性参数与实际驾驶行为的关联状况.研究关联状况过程中，为了更好地反映方向盘转角序列中不同随机程度下的概率密度分布（可以认为，在躲避前方突然出现的障碍物时，随机程度较大;在跟驰前方车辆时，随机程度较小），本文提出一种以随机程度为条件的核密度估计窗宽选择方法.此方法基于较为常见窗宽选择方法—拇指法则(Rule of Thumb)，利用相关系数描述随机程度，使用相关系数导出的相关时间求解一阶高斯马尔科夫过程不确定性，使用这个不确定性替换拇指法则窗宽计算过程中所需的样本标准差.实际计算过程表明，此算法能够通过调节相关系数，获得反映不同随机程度下的序列分布.

目录

声明

摘要

第1章引言

1．1研究背景及其目的和意义

1．2国内外研究现状

1．2．1驾驶行为特性研究现状

1．2．2利用游戏数据训练机器学习算法研究现状

1．3本文的组织结构

第2章仿真环境及数据集合形式

2．1 GTAV世界

2．2 GTAV控制插件及数据集形式

2．2．1插件架构

2．2．2车辆控制数据

2．2．3车辆状态数据

2．2．4环境数据

2．3虚拟激光雷达

2．3．1射线函数与结果函数

2．3．2点云分布优化

2．4本章小结

第3章GTAV自动驾驶系统参数配置

3．1驾驶行为特性参数

3．2驾驶风格组合与约束

3．2．1人车避让组合

3．2．2车道选择组合

3．2．3驾驶风格约束

3．3本章小结

第4章以攻击性作为自变量的分析

4．1测试路段基本信息

4．2分析思路

4．3驾驶行为特性参数组合

4．4车辆自由通过下的线性加速度和归化油门

4．5方向盘归化转角

4．5．1标准差

4．5．2相关时间

4．5．3一阶高斯马尔科夫过程

4．5．4核密度估计

4．5．5 MISE准则下的窗宽计算

4．5．6拇指法则

4．5．7一阶高斯马尔科夫过程下的窗宽计算

4．5．8概率密度的峰态与尾态

4．6碰撞次数

4．7本章小结

第5章以期望速度作为自变量的分析

5．1 车辆自由通过下的线性加速度和归化油门

5．2方向盘归化转角

5．2．1标准差

5．2．2相关时间

5．2．3一阶高斯马尔科夫过程的不确定性

5．2．4概率密度的峰态和尾态

5．3碰撞次数

5．4本章小结

6．1总结与结论

6．2利用GTAV进行相关仿真的展望

参考文献

致谢