OpenDriveLab/SimScale

解决的问题

SimScale 通过提供一种可扩展的方式来生成高保真、反应式的驾驶场景，解决了训练鲁棒的端到端自动驾驶规划器的挑战。它克服了真实世界数据的局限性，通过合成多样化的仿真数据，并提供一种联合训练策略，弥合仿真环境与真实世界之间的差距。

工作原理

该项目实现了一个可扩展的仿真流水线，创建包含“伪专家”示范的合成驾驶场景。它采用仿真-真实联合训练策略，以提高端到端规划器的鲁棒性和泛化能力。这种联合训练可以使用伪专家示范，也可以仅依赖奖励信号来完成。该系统支持多种规划器骨干网络（如 ResNet34），并与 nuPlan 和 NAVSIM 等数据集兼容。

适用人群

专为从事端到端自动驾驶的研究人员和工程师设计，特别是关注运动规划以及仿真-真实学习系统可扩展性的研究者。

主要亮点

• 可扩展的仿真流水线：合成包含伪专家示范的高保真反应式驾驶场景。
• 仿真-真实联合训练：一种协同提升不同端到端规划器鲁棒性和泛化能力的策略。
• 全面的可扩展性洞察：提供理解自主系统中仿真-真实学习可扩展性的方法论。
• 多样化的模型支持：包含 LTF、DiffusionDrive 和 GTRS-Dense 等多种代理的预训练检查点。