Библиографическое описание:Использование симуляционных сред в обучении нейросетевых моделей управления беспилотными транспортными средствами : доклад, тезисы доклада / Н. М. Горовенко. - [Б. м. : б. и.], 2026. - Текст : непосредственный // Достижения науки и технологий (ДНиТ-V-2026) : сборник научных статей по материалам V Всероссийской (национальной) научной конференции. - Красноярск, 2026. - С. 451-459. - ISBN 9785605323549.
Аннотация:В статье проведен обзор современных подходов к обучению нейросетевых моделей управления беспилотными транспортными средствами с использованием симуляционных сред. Рассмотрены ключевые инструменты и платформы, применяемые для имитации дорожных условий и сбора данных: Unity ML-Agents, CARLA, AirSim и LGSVL. Отмечены преимущества симуляторов в создании безопасных и масштабируемых условий для обучения агентов, а также в снижении затрат на проведение экспериментов в реальной среде. Проведен анализ исследований, посвященных применению методов обучения с подкреплением и обучения по демонстрациям в задачах автономного управления, а также гибридных подходов. Особое внимание уделено проблеме разрыва между симуляцией и реальностью и подходам к переносу обученных в симуляторе стратегий на реальные транспортные средства. Выделены основные направления развития симуляционных систем, включая повышение реалистичности физики, генерацию разнообразных сценариев, поддержку многоагентных взаимодействий и автоматизацию оценки поведения агентов. Сформулированы пробелы в существующих исследованиях и обозначены перспективы разработки специализированной симуляционной среды на базе Unity для обучения моделей управления беспилотными транспортными средствами.
The article provides an overview of modern approaches to training neural network models for autonomous vehicle control using simulation environments. The main tools and platforms used to simulate road conditions and collect data are considered, including Unity ML-Agents, CARLA, AirSim, and LGSVL. The advantages of simulation environments in creating safe and scalable conditions for agent training and in reducing the cost and risk of real-world experiments are highlighted. The review summarizes research on the application of reinforcement learning, imitation learning and hybrid methods to autonomous driving tasks, with particular attention to sample efficiency and safety aspects. A separate focus is placed on the sim-to-real gap and on techniques for transferring control policies trained in simulation to real vehicles, such as domain randomization and adversarial domain adaptation. The paper identifies key trends in the development of simulation systems, including improved physical realism, diverse scenario generation, multi-agent interactions and automated evaluation of agent behaviour. The identified gaps and challenges motivate the development of a Unity- based simulation environment tailored to training neural controllers for unmanned ground vehicles.
