Gaussian Process-based Stochastic Model Predictive Control for Overtaking in Autonomous Racing
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯）；Starfleet Academy（星际舰队学院）；Tyrell Inc.（泰瑞尔公司）
赛车的一个基本方面是超越其他赛车。鉴于以前的研究主要集中在自主赛车圈的时间优化，在这里，我们提出了一种方法来规划超车机动自主赛车。高斯过程用于学习领先车辆的行为。基于高斯过程的输出，随机模型预测控制算法规划乐观的轨迹，使得受控的自主赛车能够超越领先车辆。在一个简单的模拟场景中测试所提出的方法。
2021-05-25 cs.RO
Accelerating Real-World Overtaking in F1TENTH Racing Employing Reinforcement Learning Methods
Centre for Automation and Robotic Engineering Science, The University of Auckland, New Zealand（自动化与机器人工程科学中心，奥克兰大学，新西兰）；New Dexterity research group, The University of Auckland, New Zealand（新灵活性研究组，奥克兰大学，新西兰）
虽然计时赛场景中的自动赛车性能已经取得了显著的进步和发展，但自动轮对轮赛车和超车仍然受到严重限制。这些限制在现实驾驶场景中尤其明显，在这些场景中，最先进的算法难以安全或可靠地完成超车操作。这一点很重要，因为其他车辆周围的可靠导航对于安全的自动轮对轮比赛至关重要。F1Tenth比赛为在标准化物理平台上开发轮对赛车算法提供了一个有用的机会。竞争的形式使得有可能评估超车和轮对轮赛车算法对国家的最先进的。这项研究提出了一种新的赛车和超车代理能够学习可靠地导航的轨道和超越对手在模拟和现实。该代理被部署在F1Tenth车辆上，并与在现实世界中运行不同竞争算法的对手竞争。结果表明，代理人对对手的训练能够实现故意超车行为，超车率为87%，而仅为比赛训练的代理人的超车率为56%。
2025-10-30 cs.LG cs.RO
Residual Policy Learning for Vehicle Control of Autonomous Racing Cars
Technical University of Munich（慕尼黑工业大学）
本文提出一种用于自动驾驶赛车的残差车辆控制器，通过残差策略学习修正经典路径跟随控制器，在F1TENTH仿真环境及十二条真实赛道评估中平均将单圈时间缩短4.55%，并能在未知赛道上获得提升。
2023-05-31 cs.LG cs.RO cs.SY
A Benchmark Comparison of Imitation Learning-based Control Policies for Autonomous Racing
University of Pennsylvania（宾夕法尼亚大学）
本文针对自动驾驶赛车控制策略，系统基准测试了多种模仿学习方法，证明交互式模仿学习优于传统方法，并能通过引导显著提升强化学习性能。
2023-05-28 cs.RO
Fast-Racing: An Open-source Strong Baseline for SE(3) Planning in Autonomous Drone Racing
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；DJI（大疆）
近年来，随着空中机器人自主化的发展，无人机自主竞赛越来越受到人们的关注。在专业的飞行员比赛中，熟练的操作员总是控制无人机以积极的姿态敏捷地避开障碍物，以便尽快到达目的地。像精英飞行员一样的自主飞行需要在SE（3）中进行规划，其非平凡性和复杂性阻碍了我们社区目前令人信服的解决方案。为了弥补这一差距，本文提出了一个开源基线，其中包括一个高性能的SE（3）规划器和一个为无人机比赛量身定制的具有挑战性的仿真平台。我们将SE（3）轨迹生成指定为软惩罚优化问题，并利用其底层并行结构加快求解过程。此外，为了提供一个挑战规划者的测试平台，我们开发了精细的无人机赛道，模拟了SE（3）中的真实设置和必需品规划。此外，我们提供了必要的系统组件，如公共地图接口和基线控制器，使我们的工作插件和使用。通过我们的基线，我们希望未来促进SE（3）规划和自主无人机竞赛的研究。
2021-09-07 cs.RO
Autonomous Racing with AutoRally Vehicles and Differential Games
Georgia Institute of Technology（佐治亚理工学院）
安全的自动驾驶汽车必须能够预测周围的驾驶员并做出反应。以前的控制方法严重依赖于预先计算，并且无法在动态事件实时展开时对其做出反应。在本文中，我们扩展了模型预测路径积分控制（MPPI），利用微分对策理论，并引入最佳响应MPPI（BR-MPPI）的实时多车互动。实验结果使用两个AutoRally平台的赛车格式与BR-MPPI竞争对熟练的人类司机在佐治亚理工学院的自动赛车设施。
2017-07-14 cs.RO
End-to-end Lidar-Driven Reinforcement Learning for Autonomous Racing
Ulsan National Institute of Science and Technology（蔚山科学技术院）
本研究开发并训练了一个仅使用前馈原始激光雷达和速度数据的强化学习智能体，在模拟中训练后于真实赛车场景验证，证明了在无地图环境下强化学习提升自动驾驶赛车性能的可行性。
2023-09-01 cs.AI cs.LG cs.RO
Visual Model-predictive Localization for Computationally Efficient Autonomous Racing of a 72-gram Drone
Delft University of Technology（代尔夫特理工大学）
无人机竞速正在成为风靡全球的电子竞技项目，击败人类最优秀的无人机竞速飞行员也迅速成为人工智能和机器人技术的新的重大挑战。在本文中，我们提出了一种策略，自主无人机比赛，这是计算更有效的导航方法，如视觉惯性里程计和同时定位与地图构建。这种快速、轻量、基于视觉的导航算法通过将竞赛门检测与模型动态预测相融合来估计无人机的位置。理论分析和仿真结果表明，在处理快速无人机比赛中出现的相对低频的视觉更新和偶尔的大离群值时，与卡尔曼滤波相比，该方法具有明显的优势。飞行测试是在一个名为“垃圾桶”的小型赛车四旋翼上进行的，该赛车配备了一个Jevois智能相机，总重量为72 g。测试赛道包括围绕4门赛道的3圈。这些门间隔4米，可以从它们的假定位置移位。平均速度为2 m/s，最大速度为2.6m/s。据我们所知，这款飞行平台是世界上最小的无人驾驶赛车，比现有最轻的无人驾驶赛车（420克）轻6倍，同时仍然是世界上最快的无人驾驶赛车之一。
2019-12-15 cs.RO
A Review of Full-Sized Autonomous Racing Vehicle Sensor Architecture
Purdue University（普渡大学）
本文综述了Roborace和Indy自动驾驶挑战赛中的全尺寸自动驾驶赛车传感器架构，分析了传感器配置、架构细节及测试指标，为自动驾驶赛车技术发展提供参考。
2024-02-04 cs.RO
Visual Attention Prediction Improves Performance of Autonomous Drone Racing Agents
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
人类驾驶无人机的速度比经过端到端自主飞行训练的神经网络更快。这可能与人类飞行员有效选择任务相关视觉信息的能力有关。这项工作研究了能够模仿人眼注视行为和注意力的神经网络是否可以提高神经网络的性能，以适应基于视觉的自主无人机比赛的挑战性任务。我们假设基于凝视的注意力预测可以是基于模拟器的无人机竞赛任务中视觉信息选择和决策的有效机制。我们使用18名人类无人机飞行员的眼睛注视和飞行轨迹数据来测试这一假设，以训练视觉注意力预测模型。然后，我们使用这个视觉注意力预测模型训练一个端到端的控制器，用于基于视觉的自主无人机比赛，使用模仿学习。我们将注意力预测控制器的无人机竞赛性能与使用原始图像输入和基于图像的抽象（即，特色曲目）。通过比较通过自主飞行完成具有挑战性的赛道的成功率，我们的结果表明，基于注意力预测的控制器（88%的成功率）优于RGB图像（61%的成功率）和特征跟踪（55%的成功率）控制器基线。此外，视觉注意力预测和特征跟踪为基础的模型表现出更好的泛化性能比基于图像的模型进行评估时，保持了参考轨迹。我们的研究结果表明，人类视觉注意力预测提高了基于视觉的自主无人机竞赛代理的性能，并为实现基于视觉、快速和敏捷的自主飞行迈出了重要的一步，最终可以达到甚至超过人类的表现。
2022-03-02 cs.HC cs.LG cs.RO
Local NMPC on Global Optimised Path for Autonomous Racing
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）；IUPUI（印第安纳大学-普渡大学印第安纳波利斯联合分校）
本文提出了一种在预先绘制的赛道上控制自动驾驶赛车的策略。使用车辆的动力学模型，计算最佳赛车线，并考虑赛道边界。以最优赛线为参考，提出了一种局部非线性模型预测控制器（NMPC），该控制器考虑了沿赛线取得更大的进步、避免与对手车辆碰撞以及利用牵伸取得更大进步等多个局部目标。
2021-09-15 cs.RO
Improving Environment Robustness of Deep Reinforcement Learning Approaches for Autonomous Racing Using Bayesian Optimization-based Curriculum Learning
Cornell University（康奈尔大学）
针对深度强化学习策略环境鲁棒性不足、人工设计课程耗费人力的问题，提出用贝叶斯优化推断课程-奖励函数以获取鲁棒课程，在自主竞速避障任务中性能优于普通深度强化学习与人工课程方案。
2023-12-16 cs.LG cs.RO
Sense, Imagine, Act: Multimodal Perception Improves Model-Based Reinforcement Learning for Head-to-Head Autonomous Racing
University of Michigan（密歇根大学）
本文提出一种自监督多模态传感器融合方法，结合LiDAR和RGB相机观测改进Dreamer智能体的世界模型，在零样本头对头赛车中提升鲁棒性并赢得最多比赛。
2023-05-08 cs.AI cs.LG cs.RO
Event-based Navigation for Autonomous Drone Racing with Sparse Gated Recurrent Network
Aarhus University（奥胡斯大学）
基于事件的视觉已经彻底改变了机器人的感知任务，它承诺更快的响应，更低的能耗和更低的带宽，而不会引入运动模糊。在这项工作中，提出了一种新的深度学习方法，基于门控递归单元，利用稀疏卷积检测赛道中的门，使用基于事件的视觉的自主无人机赛车问题。我们在一个真实的机器人平台上展示了感知管道的效率和功效，该平台可以安全地实时导航典型的自主无人机赛道。在整个实验中，我们表明，基于事件的视觉与所提出的门控递归单元和模拟事件数据上的预训练模型显着提高了门检测精度。此外，公开发布了一个基于事件的无人机竞赛数据集，包括模拟和真实数据序列。
2022-04-05 cs.RO
Continual Learning for Robust Gate Detection under Dynamic Lighting in Autonomous Drone Racing
Nanyang Technological University（南洋理工大学）；Aarhus University（奥胡斯大学）
本文针对自主无人机竞速中动态光照导致的门检测困难问题，提出一种结合轻量级神经网络与持续学习的感知方法，通过融合位置、距离和朝向预测实现鲁棒门检测。
2024-05-02 cs.CV cs.LG cs.RO
High-speed Autonomous Racing using Trajectory-aided Deep Reinforcement Learning
Stellenbosch University（斯泰伦博斯大学）
针对端到端深度强化学习在高速自主竞速中表现不佳的问题，提出轨迹辅助学习方法，将最优赛车线纳入学习框架，在F1Tenth模拟器上验证其高速圈完成率显著优于基线。
2023-06-12 cs.RO
Autonomous Drone Racing: Time-Optimal Spatial Iterative Learning Control within a Virtual Tube
Beihang University（北京航空航天大学）
针对无人机竞速中训练和比赛时间长的问题，提出一种模仿顶尖车手经验的时间最优空间迭代学习控制方法，在线迭代学习轨迹以无模型、低计算成本实现最优竞速，并在仿真和真实四旋翼实验中超越现有最先进方法。
2023-06-28 cs.RO
Sampling-Based Motion Planning with Online Racing Line Generation for Autonomous Driving on Three-Dimensional Race Tracks
Technical University of Munich（慕尼黑工业大学）
提出一种基于采样的局部轨迹规划方法，结合在线赛车线生成，在复杂三维赛道上保持赛车线圈速并提升动态极限利用率，显著降低多车场景下的圈速。
2024-05-13 cs.RO
Minimalistic Autonomous Stack for High-Speed Time-Trial Racing
Luddy School of Informatics, Computing, and Engineering at Indiana University（印第安纳大学信息学院、计算与工程学院）
本文提出一种极简自主赛车技术栈，实现快速部署，在11小时、325公里测试中达到206公里/小时，并分析系统性能，为有限赛道条件下的开发提供参考。
2025-09-23 cs.RO cs.SY eess.SY
The Autonomous Software Stack of the FRED-003C: The Development That Led to Full-Scale Autonomous Racing
BME Formula Racing Team（BME赛车队）；Széchenyi István University（塞切尼伊斯特万大学）
本文介绍 BME 方程式赛车队为 FRED-003C 开发的自主软件栈，涵盖感知、定位与建图、规划和控制模块，该经验助力团队成功参加全尺寸自主赛车联赛。
2025-04-25 cs.RO
Polynomial-based Online Planning for Autonomous Drone Racing in Dynamic Environments
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
针对动态环境无人机竞速的在线重规划难题，提出基于多项式轨迹表示的优化框架，通过硬约束保障航点穿越精度，并行多拓扑规划避免局部最优，在DJI Robomaster赛事中夺冠且完赛时间不到第二名一半。
2023-06-26 cs.RO
Expert Knowledge-driven Reinforcement Learning for Autonomous Racing via Trajectory Guidance and Dynamics Constraints
College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）
本文提出TraD-RL方法，通过轨迹引导和动力学约束强化学习，提升自动驾驶赛车的性能与安全性。
2026-08-04 cs.RO
DTR: Delaunay Triangulation-based Racing for Scaled Autonomous Racing
本文提出DTR反应式控制器，结合Delaunay三角剖分和赛道边界分割提取中心线，系统性避免FTG陷阱，在缩放比例自动驾驶中实现快70%的圈速，具备实时能力且已在现场实验中验证。
2025-05-30 cs.RO
SPARK: Low Latency Single-Camera 3D Pose Estimation for Autonomous Racing using Keypoints
Technical University of Munich（慕尼黑工业大学）；School of Engineering & Design, Department of Mobility Systems Engineering, Institute of Automotive Technology（工程与设计学院，移动系统工程系，汽车技术研究所）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
提出SPARK算法，利用单摄像头和关键点检测实现自动驾驶赛车中低延迟、高精度的3D姿态估计，性能优于现有方法。
2026-06-26 cs.RO
M-Predictive Spliner: Enabling Spatiotemporal Multi-Opponent Overtaking for Autonomous Racing
Center for Project-Based Learning, D-ITET, ETH Zurich（项目导向学习中心，D-ITET，苏黎世联邦理工学院）
本文提出一种基于卡尔曼滤波跟踪与高斯过程回归预测的多对手自主竞速超车方法，在1:10实车上实现91.65%超车成功率并提升10.13%安全性。
2025-06-19 cs.RO
A Simple Approach to Constraint-Aware Imitation Learning with Application to Autonomous Racing
Department of Mechanical Engineering, University of California at Berkeley（加州大学伯克利分校机械工程系）；Zoox
针对模仿学习中约束满足难、传统行为克隆方法在高精度任务表现欠佳的问题，提出将安全性纳入模仿学习目标的简单方法，经自主赛车仿真验证，该方法较BC约束满足度更高、任务表现更一致。
2025-08-27 cs.AI cs.LG cs.RO
Learning from Demonstration with Hierarchical Policy Abstractions Toward High-Performance and Courteous Autonomous Racing
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Field AI
提出一种基于分层策略抽象的自动驾驶赛车框架，从专家示范学习轨迹规划与残差控制，在高保真模拟中显著提升性能并实现礼貌超车。
2024-11-07 cs.RO
Racing Towards Reinforcement Learning based control of an Autonomous Formula SAE Car
Centre for Automation and Robotic Engineering Science（自动化与机器人工程科学中心）；The University of Auckland（奥克兰大学）
针对大学生方程式无人驾驶赛事需求，开展深度强化学习用于自主赛车端到端控制的初步研究，在模拟环境训练两种前沿算法并实现真实赛道迁移，同时分析局限并给出未来方向。
2023-08-24 cs.AI cs.LG cs.RO
Head-to-Head autonomous racing at the limits of handling in the A2RL challenge
Institute of Automotive Technology, TUM（汽车技术研究所，慕尼黑技术大学）；Chair of Automatic Control, TUM（自动控制教授座，慕尼黑技术大学）；Professorship Autonomous Vehicle Systems, TUM（自主车辆系统教授职位，慕尼黑技术大学）
TUM团队通过模拟人类驾驶行为，在极限操控下开发算法赢得A2RL赛事，提升自动驾驶技术与道路安全。
2026-02-09 cs.RO
Autonomous Vehicles on the Edge: A Survey on Autonomous Vehicle Racing
University of Pennsylvania（宾夕法尼亚大学）；ETH Zurich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）；University of Virginia（弗吉尼亚大学）；Clemson University（克莱姆森大学）
近年来，自动驾驶汽车的日益普及导致了一个新的研究领域的出现：自动驾驶赛车。研究人员正在为高性能赛车开发软件和硬件，这些赛车旨在在车辆极限的边缘自动运行：高速，高加速度，低反应时间，高度不确定，动态和对抗性环境。本文代表了第一个全面的调查，涵盖了在自动驾驶赛车领域的研究。我们只专注于自动驾驶赛车领域，并展示用于感知，规划和控制以及端到端学习领域的算法，方法和途径。此外，随着越来越多的自主赛车比赛，研究人员现在可以使用一系列高性能平台来测试和评估他们的自主算法。该调查全面概述了当前的自动驾驶赛车平台，强调软件-硬件共同进化到当前阶段。最后，基于与该领域领先研究人员的额外讨论，我们总结了开放研究的挑战，这将指导未来的研究人员在这一领域。
2022-02-14 cs.RO cs.SE
Aggressive Trajectory Generation for A Swarm of Autonomous Racing Drones
Zhejiang University（浙江大学）；Zhejiang University of Technology（浙江工业大学）；Northwestern Polytechnical University（西北工业大学）
自主无人机竞赛正在成为挑战四旋翼自主技术的绝佳平台，包括规划，导航和控制技术。然而，关于这个主题的大多数研究主要集中在单个无人机场景。在本文中，我们描述了一种新的时间最优轨迹生成方法，用于生成时间最优轨迹，使一群四旋翼飞行器以其最大机动性无碰撞地通过预定义的航路点。我们在Gazebo仿真中验证了该方法，其中5个四旋翼的群可以在35 m * 35 m的空间中以14 m/s的最高速度飞行通过复杂的6路点赛道。在4 m × 2 m的飞行平台上，对两个四旋翼飞行器进行了通过3个航路点的飞行试验，验证了该方法的可行性。仿真和实际飞行测试表明，该方法可以为一群自主竞赛无人机生成最优攻击轨迹。该方法也可以很容易地转移到其他类型的机器人群。
2023-03-01 cs.RO
TinyCenterSpeed: Efficient Center-Based Object Detection for Autonomous Racing
University of Twente（特文特大学）；Wright State University（莱特州立大学）
本文提出TinyCenterSpeed，通过精简CenterPoint并结合外部TPU，在1:10自动驾驶赛车平台上实现实时多对手检测与速度估计，性能较现有SotA提升最高61.38%，推理仅7.88毫秒。
2025-04-11 cs.RO
Racing With ROS 2 A Navigation System for an Autonomous Formula Student Race Car
Queensland University of Technology（昆士兰科技大学）
本文提出基于 Robot Operating System 2 导航栈的开源方案，解决自动驾驶大学生方程式赛车高速导航挑战，通过对比现成库与定制程序降低准入门槛并作为教程。
2023-11-24 cs.CV cs.RO
ARGOS: An Automaton Referencing Guided Overtake System for Head-to-Head Autonomous Racing
University of Virginia（弗吉尼亚大学）
针对头对头自主赛车的高速超车难题，提出基于自动机网络的ARGOS框架，将超车与防守动作分解为时序子动作并监督执行，经模型验证和仿真验证符合规格，表现接近人类赛车水平。
2024-01-28 cs.RO
Game-Theoretic Model Predictive Control with Data-Driven Identification of Vehicle Model for Head-to-Head Autonomous Racing
Korea Advanced Institute of Science and Technology（韩国科学技术院）
解决自动驾驶中的边缘案例，头对头的自动驾驶赛车正受到业界和学术界的广泛关注。在这项研究中，我们提出了一个博弈论的模型预测控制（MPC）的方法，头对头自主赛车和数据驱动的模型识别方法。对于非线性模型参数的实际估计，我们采用了机器学习中用于神经模型训练的超带算法。该控制器包括三个模块：1）基于比赛的对手轨迹预测器，2）高级比赛策略规划器，3）基于MPC的低级控制器。基于游戏的预测器旨在预测竞争对手的未来轨迹。基于预测结果，高级竞赛策略规划器规划若干行为以响应各种竞赛环境。最后，基于MPC的控制器计算最优控制命令以跟随轨迹。所提出的方法在各种比赛情况下，在印地自主挑战赛的官方模拟器进行了验证。实验结果表明，该方法可以有效地超越竞争对手，同时驾驶通过赛道尽可能快，没有碰撞。
2021-06-08 cs.RO
End2Race: An End-to-End Learning Framework for Multi-Vehicle Autonomous Racing
Department of Civil and Environmental Engineering, University of Michigan（土木与环境工程系，密歇根大学）；University of Michigan Transportation Research Institute（密歇根大学交通研究所）
针对多车自动驾驶赛车中基于规则方法占优而学习型方法多限于单车的问题，本文提出端到端框架End2Race，其策略网络推理延迟低于1毫秒，在泛化性、速度、安全性和超车能力上显著优于现有方法。
2026-09-17 cs.RO
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR的车辆检测与跟踪流程，包括快速点云分割、车辆姿态估计和变步长多目标跟踪，应用于自动驾驶赛车，实现在超过275公里/小时速度下的自主超车。
2025-01-24 cs.CV cs.RO
SGTP: Sampling-based Game-Theoretic Planning for Real-Time Multi-Vehicle Autonomous Racing
Zhejiang University（浙江大学）；Nanyang Technological University（南洋理工大学）；Technical University of Munich（慕尼黑工业大学）
针对自主多车辆赛车中平衡战略多样性与计算效率的难题，提出基于采样的博弈论规划（SGTP）框架，结合博弈论推理与GPU加速采样，经可行性选择确保安全过渡，模拟显示其在多智能体场景表现良好，还开源代码及基准促进研究。
2026-07-29 cs.RO
RACECAR -- The Dataset for High-Speed Autonomous Racing
University of Virginia（弗吉尼亚大学）；Technical University of Munich（慕尼黑工业大学）；Carnegie Mellon University（卡内基梅隆大学）；Politecnico di Milano（米兰理工大学）
本文推出首个全尺寸高速自主赛车公开数据集RACECAR，包含多模态高速赛车数据与双格式数据及转换工具，并提出多项基准任务以探索车辆极限运行问题。
2023-06-05 cs.RO
HALO: Fault-Tolerant Safety Architecture For High-Speed Autonomous Racing
University of Virginia（弗吉尼亚大学）
本文提出并实车验证面向高速自动驾驶赛车的 HALO 容错安全架构，通过失效模式分析与运行时监测保障多车竞速安全。
2025-03-13 cs.RO
Bridging the Sim-to-Real Gap under Real-Time Constraints in Autonomous Racing
UCF ECE Department（中佛罗里达大学电子与计算机工程系）
研究自主赛车中模拟与现实的差距问题，引入三层视角分析不匹配传播，提出诊断指标、缓解策略和基准测试指南，为可部署自主赛车系统提供故障机制及设计原则。
2026-07-22 cs.RO
A Super-human Vision-based Reinforcement Learning Agent for Autonomous Racing in Gran Turismo
KTH Royal Institute of Technology（皇家理工学院）；Sony AI（索尼人工智能研究院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有超人类赛车智能体依赖车外全局特征的问题，提出仅用本地视觉与车载传感输入的强化学习智能体，通过训练时用全局特征辅助，在《Gran Turismo 7》中实现计时赛超人类表现，是首个基于视觉的超人类赛车智能体。
2024-06-18 cs.CV cs.LG cs.RO
Accurate, Low-Latency Visual Perception for Autonomous Racing:Challenges, Mechanisms, and Practical Solutions
MIT（麻省理工学院）；Google DeepMind（谷歌DeepMind）
自动驾驶赛车提供了在极限下测试安全关键感知管道的机会。本文介绍了应用最先进的计算机视觉算法为DUT 18无人驾驶（DUT 18 D）构建低延迟、高精度感知系统的实际挑战和解决方案，DUT 18 D是一款四轮驱动电动赛车，在其参加的所有方程式无人驾驶比赛中均登上领奖台。DUT 18 D的关键组件包括基于YOLOv 3的目标检测、姿态估计以及双立体视觉/单视觉相机设置的时间同步。我们强调了使感知CNN适应赛车领域所需的修改，用于姿态估计的损失函数的改进，以及亚微秒相机同步的方法等改进。我们对该系统进行了全面的实验评估，证明了其在现实世界的赛车场景中的准确性和低延迟。
2020-07-28 cs.CV cs.RO
PencilNet: Zero-Shot Sim-to-Real Transfer Learning for Robust Gate Perception in Autonomous Drone Racing
Aarhus University（奥胡斯大学）；Nanyang Technological University（南洋理工大学）；Technical University of Munich（慕尼黑工业大学）
在自主和移动机器人技术中，主要挑战之一是对环境的强大动态感知，这通常是未知的和动态的，就像自主无人机比赛一样。在这项工作中，我们提出了一种新的基于深度神经网络的感知方法，用于赛车门检测- PencilNet -它依赖于铅笔过滤器顶部的轻量级神经网络骨干。这种方法将门的2D位置、距离和方向的预测统一在单个姿势元组中。我们表明，我们的方法是有效的zero-shot仿真到现实迁移学习，不需要任何现实世界的训练样本。此外，与最先进的方法相比，我们的框架对快速飞行下常见的照明变化具有高度鲁棒性。一组完整的实验证明了这种方法在多个具有挑战性的场景中的有效性，其中无人机在不同的照明条件下完成各种轨道。
2022-07-28 cs.RO
R-CARLA: High-Fidelity Sensor Simulations with Interchangeable Dynamics for Autonomous Racing
Center for Project-Based Learning, D-ITET, ETH Zurich（项目导向学习中心，D-ITET，苏黎世联邦理工学院）
针对自主竞速仿真中车辆动力学精度与传感器保真度难以兼顾的问题，本文提出增强版CARLA仿真器R-CARLA，集成精准动力学、高保真传感器仿真与数字孪生流水线，大幅降低仿真到现实的差距，支撑全栈自主竞速算法测试。
2025-06-11 cs.RO
Autonomous Racing using a Hybrid Imitation-Reinforcement Learning Architecture
SRM Institute of Science and Technology（SRM科学技术研究所）
在这项工作中，我们提出了一个严格的端到端的自动驾驶汽车控制策略，旨在最大限度地减少单圈时间的时间攻击赛车事件。我们还介绍了作为本研究项目的一部分开发的AutoRACE模拟器，该模拟器用于模拟精确的车辆和环境动力学以及逼真的视听效果。我们采用了一种混合模仿-强化学习架构，并制作了一种新颖的奖励函数来训练深度神经网络策略，以便在不到20小时的时间内自主驾驶（使用模仿学习）和比赛（使用强化学习）一辆汽车。部署结果报告为10个不同的人类玩家的10个自动圈与100个手动圈的直接比较。自主智能体不仅表现出优越的性能，比最佳手动圈速快了0.96秒，而且在平均圈速方面也领先人类选手1.46秒。这种优势可以通过自主智能体更好的轨迹优化和更低的反应时间来证明。
2022-11-26 cs.AI cs.LG cs.NE
Delay-aware Robust Control for Safe Autonomous Driving and Racing
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Carnegie Mellon University（卡内基梅隆大学）；Cleveland State University（克利夫兰州立大学）
延迟会危及在快速变化的环境中运行的自主系统的安全，例如自动驾驶和高速赛车中的不确定性周围交通参与者。遗憾的是，在物理世界中部署之前，在常规控制器设计或学习使能控制器训练阶段期间通常不考虑延迟。本文对运动规划和控制中的非线性优化所带来的计算延迟以及由执行器引起的其他不可避免的延迟进行了系统和统一的研究。为了处理所有这些延迟，在我们的框架中：1）我们提出了一种新的滤波方法，没有动力学和干扰分布的先验知识，以自适应和安全地估计时变计算延迟; 2）我们对转向延迟的驱动动力学建模; 3）所有的约束优化都在鲁棒管模型预测控制器中实现。就应用优点而言，我们证明我们的方法适合自动驾驶和自动赛车。我们的方法是一个独立的延迟补偿控制器的新设计。此外，在学习使能控制器假设没有延迟的情况下，作为主控制器，我们的方法作为主控制器的安全卫士。
2022-08-29 cs.RO
IteraOptiRacing: A Unified Planning-Control Framework for Real-time Autonomous Racing for Iterative Optimal Performance
Shanghai Jiao Tong University（上海交通大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Minnesota-Twin Cities（明尼苏达大学-双城分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出统一规划控制框架IteraOptiRacing，基于i2LQR算法迭代利用历史数据实现避障与时间优化，在低计算负担下生成无碰撞时间最优轨迹，在多动态智能体赛车仿真中全面超越现有方法。
2025-07-13 cs.RO cs.SY eess.SY
Drive Fast, Learn Faster: On-Board RL for High Performance Autonomous Racing
针对仿真预训练难以迁移至真实赛车的问题，提出车载残差SAC框架，融合多步TD、异步训练与HDRA，在F1TENTH上仅训练20分钟即较SotA缩短11.5%圈速。
2025-05-12 cs.RO
α-RACER: Real-Time Algorithm for Game-Theoretic Motion Planning and Control in Autonomous Racing using Near-Potential Function
EECS UC Berkeley（电子工程与计算机科学系，伯克利大学）
针对多车自动驾驶赛车实时策略问题，提出基于近势函数的博弈论框架及算法，实现近似纳什均衡的实时计算，并在3车场景中超越现有基线。
2025-04-24 cs.GT cs.RO
Target Tracking via LiDAR-RADAR Sensor Fusion for Autonomous Racing
Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB), Politecnico di Milano（电子、信息与生物工程系（DEIB），米兰理工大学）
针对自主赛车中精准车辆检测与动力学估计的需求，提出基于延迟感知EKF的LiDAR-RADAR融合多目标跟踪算法，结合传感器特性与赛道先验知识处理失序测量，在275 km/h下完成自主超车验证。
2025-11-12 cs.RO
Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing
Munich Electrification（慕尼黑电气化公司）；Arrival（Arrival公司）；The University of Edinburgh（爱丁堡大学）
精确的机器人动力学建模对于安全高效的运动控制至关重要。在本文中，我们开发和应用迭代学习半参数模型，与神经网络，自主赛车的任务与模型预测控制器（MPC）。我们提出了一种新的非线性半参数动力学模型，我们表示已知的动态与参数模型，和一个神经网络捕捉未知的动态。我们表明，我们的模型可以比纯参数模型更准确地学习，并且比纯非参数模型更好地泛化，这使得它非常适合从完整状态空间收集数据不可行的现实应用。我们提出了一个系统，该模型是自举的预先记录的数据，然后在运行时间迭代更新。然后，我们将我们的迭代学习方法应用于自动驾驶赛车的模拟问题，并表明它可以安全地在线适应修改后的动力学，甚至比手动驾驶数据训练的模型具有更好的性能。
2020-11-17 cs.LG cs.RO cs.SY
Learning Generalizable Policy for Obstacle-Aware Autonomous Drone Racing
TU Delft（代尔夫特理工大学）；MAVLab（MAV实验室）
本研究利用深度强化学习，通过域随机化和并行经验收集，开发了一种可泛化的障碍感知无人机竞速策略，在模拟实验中实现最高70公里/小时的速度，并开源代码。
2024-11-06 cs.AI cs.RO
Towards End-to-End Deep Learning for Autonomous Racing: On Data Collection and a Unified Architecture for Steering and Throttle Prediction
Purdue University（普渡大学）；United States Military Academy（美国军事学院）
端到端训练的深度神经网络（DNN）已成功应用于解决我们在过去几十年中无法解决的复杂问题。自动驾驶是尚未完全解决的最复杂的问题之一，而自动赛车则为这个问题增加了更多的复杂性和令人兴奋的挑战。针对将端到端学习应用于自动驾驶赛车的挑战，本文展示了两个方面的结果：（1）分析用于训练的驾驶数据与DNN可以成功应用于预测转向角的最大速度之间的关系，（2）神经网络架构和训练方法，用于学习转向和油门，而无需任何反馈或循环连接。
2021-05-04 cs.AI cs.RO
