Addestramento di agenti autonomi per attività di parcheggio in ambienti di simulazione

Abstract

Questo studio analizza l’impiego del deep reinforcement learning (DRL) per la guida automatizzata e il parcheggio autonomo, sfruttando ambienti di simulazione avanzati. Riconoscendo l’importanza di scenari di addestramento diversificati e flessibili, la ricerca integra i simulatori RoadRunner e CARLA per progettare e valutare diverse configurazioni di parcheggio, tra cui parcheggio perpendicolare a 90°, parcheggio inclinato a 60° e parcheggio parallelo. RoadRunner consente una rapida creazione e modifica delle mappe, mentre CARLA supporta la configurazione degli scenari, il controllo del veicolo e la generazione dei dati tramite il suo Traffic Manager.

Viene proposto un framework di controllo ibrido in cui il Traffic Manager di CARLA guida autonomamente il veicolo su lunghe distanze verso ingressi di parcheggio designati, definiti come Out-of-Parking Spawn Points (OPSPs). Una volta raggiunti questi punti, un modello DRL subentra per eseguire manovre di parcheggio precise. Durante l’operazione, le traiettorie vengono registrate per creare un dataset destinato al reinforcement learning offline.

I risultati sperimentali mostrano prestazioni elevate, con un tasso di successo del 97% nel parcheggio perpendicolare e fino al 90% in condizioni complesse con ostacoli statici e dinamici. Le variazioni di prestazione negli altri scenari sono state mitigate con addestramenti specifici. Complessivamente, lo studio evidenzia l’efficacia dell’approccio ibrido e dell’ambiente di simulazione.

This study investigates the use of deep reinforcement learning (DRL) for automated driving and autonomous parking by leveraging advanced simulation environments. Recognizing the importance of diverse and flexible training scenarios, the research integrates RoadRunner and CARLA simulators to design and evaluate multiple parking configurations, including 90° perpendicular, 60° skewed, and parallel parking. RoadRunner enables rapid map creation and modification, while CARLA supports scenario configuration, vehicle control, and data generation through its Traffic Manager.

A hybrid control framework is proposed in which CARLA’s Traffic Manager autonomously navigates the vehicle over long distances toward designated parking entrances, defined as Out-of-Parking Spawn Points (OPSPs). Once the vehicle reaches these points, a DRL model takes over to execute precise parking maneuvers. During operation, trajectories are recorded to build a dataset for future offline reinforcement learning.

Experimental results demonstrate strong performance, achieving a 97% success rate in perpendicular parking and up to 90% under complex conditions with static and dynamic obstacles. Performance variations in skewed and parallel parking were mitigated through additional scenario-specific training. Overall, the study highlights the effectiveness of the hybrid approach and simulation setup in improving DRL-based parking systems and enabling scalable scenario generation.