Latent space exploration for racing track design using novelty search

Quality Diversity (QD) algorithms are evolutionary techniques that aim to discover a collection of solutions that are both high-performing and behaviourally diverse. In this thesis, we investigate the application of QD algorithms for the procedural generation of racing tracks. Specifically, we propose an autonomous, data-driven pipeline based on Novelty Search with Local Competition (NSLC). Rather than relying on hand-crafted behavioural descriptors, our methodology utilises a Variational Autoencoder (VAE) to learn a low-dimensional behavioural space directly from high-dimensional driving telemetry, drawing inspiration from the AURORA framework for autonomous skill discovery. The track geometries are synthesised using a procedural representation based on Voronoi diagrams and Catmull-Rom spline interpolation. We evaluate the impact of dynamically fine-tuning the VAE's latent space during the evolutionary search, showing that this adaptive representation leads to a more robust exploration of the design space and a higher-quality, less redundant set of generated circuits compared to a static learned representation.

Gli algoritmi di Quality Diversity (QD) sono tecniche evolutive che mirano a scoprire una collezione di soluzioni allo stesso tempo performanti e diverse tra loro. In questa tesi, esaminiamo l'applicazione di questi algoritmi per la generazione procedurale di tracciati automobilistici. Nello specifico, proponiamo una pipeline basata sull'algoritmo di Novelty Search with Local Competition (NSLC). Anziché ricorrere a descrittori definiti manualmente, la nostra metodologia utilizza un Variational Autoencoder (VAE) per apprendere uno spazio comportamentale a bassa dimensione direttamente dalla telemetria di guida, traendo ispirazione dal framework AURORA tradizionalmente applicato all'esplorazione di comportamenti nel campo della robotica. Le geometrie dei tracciati sono generate mediante una rappresentazione procedurale basata su diagrammi di Voronoi e interpolazione con spline di Catmull-Rom. Lo studio valuta l'impatto del fine-tuning dinamico dello spazio latente del VAE durante la ricerca evolutiva, evidenziando che l'aggiornamento adattivo della rappresentazione conduce a un'esplorazione più robusta dello spazio di progettazione e a un insieme di circuiti generati di qualità superiore e meno ridondante rispetto all'impiego statico della medesima rappresentazione appresa.