arXiv · 14.07.2026 ·Машинное обучение

TerraZero: процедурный симулятор для обучения беспилотных систем

Исследователи представили TerraZero — новый процедурный симулятор и стек для обучения беспилотных транспортных средств методом самообучения (self-play). Система решает проблему дефицита данных для критических ситуаций, генерируя разнообразные дорожные сценарии на основе реальных картографических структур. Это позволяет масштабировать обучение агентов с подкреплением, обеспечивая высокую скорость симуляции и реалистичность поведения в сложных условиях.

Основная сложность разработки автономного транспорта заключается в нехватке данных о редких, но критически важных дорожных инцидентах, которые редко встречаются в логах реальных поездок. TerraZero использует процедурную генерацию, чтобы создавать бесконечное разнообразие сценариев, охватывающих «длинный хвост» дорожных ситуаций. Благодаря этому агенты могут обучаться в условиях, максимально приближенных к реальности, без необходимости сбора огромных массивов размеченных данных.

Техническая архитектура решения включает высокопроизводительный движок на языке C, который обеспечивает необходимую для обучения с подкреплением скорость обработки. Система интегрирует реальные картографические данные, что позволяет агентам учитывать геометрию дорог и правила движения. Такой подход сокращает зависимость от демонстраций человеком, позволяя моделям самостоятельно находить оптимальные стратегии вождения в безопасной виртуальной среде.

Ключевые факты

TerraZero использует процедурную генерацию для создания разнообразных сценариев вождения, охватывающих редкие и опасные дорожные ситуации.
В основе системы лежит высокопроизводительный движок на языке C, оптимизированный для обучения с подкреплением в больших масштабах.
Платформа поддерживает обучение методом self-play, что позволяет агентам совершенствовать навыки без использования демонстраций, записанных человеком.
Симулятор интегрирует реальные картографические данные для обеспечения соответствия виртуальной среды физическим дорожным структурам.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука CARLA-GS: новый метод генерации критических ситуаций для беспилотного транспорта Исследователи представили CARLA-GS — фреймворк для синтеза редких критических сценариев в симуляторах беспилотного вождения. Система разделяет визуальное представление, логическое рассуждение и физическое моделирование, что позволяет создавать фотореалистичные «corner cases» для тестирования безопасности. Подход значительно повышает эффективность обучения моделей управления, обеспечивая генерацию сложных дорожных ситуаций, которые трудно встретить в реальных данных при обычном вождении. arXiv · Исследования и наука Метод Rollout-Retrieval для непрерывного обучения беспилотных систем Исследователи представили метод Rollout-Retrieval, позволяющий системам автономного вождения непрерывно совершенствоваться на основе допущенных ошибок. В отличие от традиционного обучения на экспертных демонстрациях, новый подход внедряет механизм коррекции и сохранения опыта, что помогает моделям эффективно адаптироваться к редким и сложным дорожным ситуациям, с которыми они сталкиваются в процессе реальной эксплуатации. arXiv · Исследования и наука CNeVA: новый метод управления поведением ИИ-агентов в симуляциях трафика Исследователи представили фреймворк Controllable Neural Variational Agents (CNeVA), предназначенный для создания реалистичных агентов в симуляциях дорожного движения. Система позволяет не только имитировать зафиксированное поведение реальных водителей, но и гибко управлять действиями агентов по заданным параметрам. Это дает инженерам возможность воспроизводить редкие сценарии и тестировать автономные системы в контролируемой среде без риска для реальных объектов. arXiv · Исследования и наука Генеративная модель для симуляции транспортных потоков на перекрестках Исследователи представили Enactor — генеративную модель, предназначенную для микросимуляции движения транспорта на регулируемых перекрестках. В отличие от традиционных систем, опирающихся на жестко заданные правила поведения водителей, новая разработка использует агентно-ориентированный подход. Это позволяет точнее воспроизводить сложные взаимодействия между автомобилями, которые часто упускаются классическими алгоритмами. Hacker News · Инфраструктура для агентов Agent Zero: полноценная Linux-среда в Docker для автономных ИИ-агентов Agent Zero представляет собой инфраструктурное решение, предоставляющее ИИ-агентам изолированную среду на базе Linux внутри Docker-контейнера. Система обеспечивает агентам доступ к полноценному терминалу, файловой системе и инструментам разработки, позволяя им самостоятельно выполнять сложные задачи, устанавливать зависимости и управлять процессами без необходимости в предварительно настроенных API-интеграциях для каждого действия. arXiv · Машинное обучение Модельно-ориентированный подход к созданию сред для обучения с подкреплением Исследователи представили новый подход к разработке виртуальных сред, предназначенных для обучения агентов с подкреплением (RL). Традиционно создание таких систем требует значительных затрат времени, так как для успешной сходимости алгоритмов агентам необходимо тренироваться в множестве схожих, но вариативных условий. Авторы работы предлагают использовать модельно-ориентированную методологию, которая позволяет автоматизировать генерацию семейств сред, сохраняя при этом их функциональную близость. Hacker News · Оркестрация агентов Разработка движка для симуляции автономных ИИ-агентов Разработчик представил архитектуру движка для создания симуляционных игр, где поведение персонажей управляется автономными ИИ-агентами. Система фокусируется на создании масштабируемой среды, в которой агенты взаимодействуют друг с другом и с окружающим миром, используя LLM для принятия решений, планирования действий и формирования долгосрочной памяти в рамках игрового процесса. arXiv · Обучение и дообучение AutoTrainess: автономная система для самообучения языковых моделей Исследователи представили AutoTrainess — фреймворк для автоматизации процесса дообучения языковых моделей без участия человека. Система позволяет ИИ-агентам самостоятельно планировать итерации обучения, генерировать качественные наборы данных, проводить тренировочные запуски и оценивать результаты. Это решение направлено на преодоление трудоемкости текущих процессов пост-тренинга, превращая цикл улучшения моделей в автономный инженерный пайплайн. Lobsters · Исследования и наука Обзор физических симуляторов для робототехники Исследователи представили комплексный анализ современных физических симуляторов, используемых для обучения робототехнических систем. Работа систематизирует возможности популярных сред моделирования, оценивая их точность, производительность и пригодность для задач обучения с подкреплением. Авторы подчеркивают, что выбор симулятора напрямую влияет на эффективность переноса обученных моделей из виртуальной среды в реальные физические условия. arXiv · Исследования и наука UniDrive: новый фреймворк для интерпретируемого анализа рисков в беспилотном вождении Исследователи представили UniDrive — мультимодальную архитектуру, устраняющую противоречие между временным анализом и пространственной точностью в беспилотном транспорте. Модель объединяет визуальные данные с языковым пониманием, позволяя системе не только распознавать объекты, но и аргументированно оценивать дорожные риски, что критически важно для безопасности автономных систем при работе с мелкими или частично скрытыми препятствиями на дороге.

← Все материалы