Conducción autónoma basada en visión con aprendizaje por refuerzo distribuido en un simulador de alta fidelidad

Abstract

Este trabajo presenta el desarrollo de un marco para el entrenamiento y la evaluación de agentes de conducción autónoma basados en visión en el simulador de carreras de alta fidelidad Assetto Corsa, integrado con una arquitectura distribuida de aprendizaje reforzado. El sistema permite la interacción en tiempo real y la recolección eficiente de datos, soportando experimentos con el algoritmo Soft Actor-Critic mediante secuencias temporales de imágenes, variables auxiliares de telemetría y demostraciones supervisadas. Los resultados muestran que el marco permite que los agentes aprendan a completar circuitos y que la asistencia humana inicial acelera el aprendizaje en escenarios complejos. El estudio resalta desafíos como la degradación del rendimiento y la sensibilidad a los hiperparámetros, al mismo tiempo que establece un banco de pruebas reproducible y adaptable para futuras investigaciones en conducción autónoma basada en visión. This thesis presents the development of a framework for training and evaluating vision-based autonomous driving agents in the high-fidelity racing simulator Assetto Corsa, integrated with a distributed reinforcement learning architecture. The system enables real-time interaction and efficient data collection, supporting experiments with the Soft Actor-Critic algorithm using temporal image sequences, auxiliary telemetry, and supervised demonstrations. Results show that the framework allows agents to learn track completion and that human-assisted initialization accelerates learning in complex scenarios. The study highlights challenges such as performance degradation and hyperparameter sensitivity, while establishing a reproducible and adaptable testbed for future research in vision-based autonomous driving.