An Autonomous Driver of a TORCS Racing Car

Abstract

Tato práce popisuje simulátor TORCS a optimalizační algoritmy, jenž jsou využívány při tvorbě autonomních řidičů pro tento simulátor. Hlavním cílem je navržení nového autonomního řidiče, který se bude schopen s použitím přírodou inspirovaných optimalizačních technik vyrovnat již dříve navrženým řešením. Chování implementovaného řešení lze rozdělit do dvou hlavních částí, které jsou využívány v různých rozdílných etapách závodu. Zahřívací kolo je využito pro vytvoření modelu trati, ze kterého je posléze získána optimální trajektorie pomocí genetického algoritmu. Této trajektorie je potom využíváno v samotné kvalifikaci či závodě pro zajetí co nejrychlejšího kola. Z důvodu složitosti problému optimalizace celé trajektorie je nutno tuto trajektorii rozdělit na menší úseky nazývané segmenty, přičemž každý z nich je potom optimalizován odděleně. Jednotlivé optimalizované segmenty jsou následně spojeny dohromady, aby opět utvořily trajektorii pro celou trať. Protože některé přechody mezi segmenty mohou být nesouvislé, je zde znovu aplikován genetický algoritmus pro jejich vyhlazení. Během závodu je tato trajektorie následována, přičemž se z ní odvíjí i maximální možná rychlost v daném úseku. V práci jsme ukázali, že vzorkování trati s následnou optimalizací pomocí genetického algoritmu trvá pouze zlomek času vyhrazeného pro zahřívací kolo. Nejen díky tomuto se řešení jeví jako vhodné pro závody autonomních řidičů a může být dále rozšířeno.This work describes the TORCS simulator and optimization algorithms used in the field of autonomous driving competitions. The main purpose of this work is to design a new controller solution based on genetic algorithms. The controller's behavior can be divided into two main parts which are exploited during the distinct stages of the competition. The warm-up stage serves for the track model sampling and the race line optimization. The race stage logic then benefits from the data obtained in the warm-up stage. The track optimization is done by a Genetic algorithm while the track is divided into several segments optimized separately. A genetic algorithm is applied once again to the track trajectory to smooth out gaps caused by the segment composition. In this work was shown that the track sampling and race line optimization by a genetic algorithm can be done during the warm-up stage. This makes the controller suitable for an autonomous driver competitions.