Multilayer Graph-Based Trajectory Planning for Race Vehicles in Dynamic Scenarios
Technical University of Munich（慕尼黑工业大学）
在高速和操纵极限下的轨迹规划是一项具有挑战性的任务。为了满足比赛场景的要求，我们提出了一个有远见的两步，多层基于图的轨迹规划器，能够运行速度高达212公里/小时。该规划器被设计为生成多个可驱动轨迹的动作集，允许相邻的行为规划器为场景中的全局状态选择最合适的动作。该方法用于诸如赛道跟踪、跟随、停止、超车以及能够在摩擦极限下操纵车辆的速度曲线的目标。因此，它提供了一个高的更新率，一个长远的规划视野和解决方案，非凸的情况。所提出的方法的能力，证明在模拟和一个真正的赛车。
2020-05-18 cs.RO cs.SY eess.SY
A Resilient Navigation and Path Planning System for High-speed Autonomous Race Car
Korea Advanced Institute of Science and Technologies (KAIST)（韩国科学技术院）
本文介绍了一个弹性导航和规划系统中使用的印地自主挑战赛（IAC）的竞争。IAC是一项全尺寸赛车在印第安纳波利斯赛车场（IMS）上以290 km/h（180 mph）的速度自动行驶的比赛。赛车会经历剧烈的震动。特别是在高速。这些振动会降低基于精密GPS辅助惯性测量单元的标准定位算法。降级的本地化可能导致严重的问题，包括碰撞。因此，我们提出了一个弹性导航系统，使赛车留在赛道内的定位失败的情况下。我们的导航系统使用多传感器融合为基础的卡尔曼滤波器。我们检测退化的导航解决方案，使用概率的方法来计算最佳的测量值，我们的卡尔曼滤波器的校正步骤。此外，提出了一种最优避障路径规划算法。在这个挑战中，赛道上有静态障碍物。车辆需要以最小的时间损失避开它们。通过考虑原始的最佳赛车路线，障碍物和车辆动力学，我们提出了一个基于道路图的路径规划算法，以确保我们的赛车可以执行有效的避障。成功验证了所提出的定位系统，以显示其能力，以防止定位失败的情况下，错误的GPS测量在历史上世界上第一次自主赛车在IMS。由于我们强大的导航和规划算法，我们能够作为前四名的球队之一完成比赛，而其余五支球队由于碰撞或违规而未能完成比赛。
2022-09-15 cs.RO cs.SY eess.SY
A Gaussian Process Model for Opponent Prediction in Autonomous Racing
University of California, Berkeley（加州大学伯克利分校）
在头对头赛车中，需要对方目标车辆（TV）的交互行为的精确模型来执行严格约束但高度奖励的机动动作，例如超车。然而，这样的信息通常是不提供竞争的情况下，因此，我们建议构建一个预测和不确定性模型，从以前的比赛的电视数据。具体而言，在闭环交互数据上训练一步高斯过程（GP）模型，以学习由未知策略驱动的TV的行为。标称轨迹的预测和相关的不确定性经由基于采样的方法推出，并且在自我车辆的模型预测控制（MPC）策略中使用，以便在尝试对TV进行超车操纵时智能地在安全性和性能之间进行权衡。我们证明了基于GP的预测器在闭环与MPC政策在模拟比赛中，并比较其性能对几个预测文献。在蒙特卡洛研究中，我们观察到基于GP的预测器在多3倍的比赛中实现了相似的胜率，同时保持了安全性。最后，我们展示了预测和控制框架的实时在1/10的规模赛车平台上运行的速度约为2.8米/秒的实验研究，并显示出显着的改善水平时，使用基于GP的预测器在基线MPC预测。硬件实验的视频可以在https://youtu.be/KMSs4ofDfIs上找到。
2023-03-01 cs.RO cs.SY eess.SY
Reduce Lap Time for Autonomous Racing with Curvature-Integrated MPCC Local Trajectory Planning Method
Zhejiang University（浙江大学）
针对传统MPCC在曲率变化剧烈赛道性能受限的问题，提出曲率集成MPCC局部轨迹规划方法，通过赛道曲率映射参考速度曲线优化轨迹速度，在1:10 F1TENTH赛车上验证可缩短11.4%-12.5%单圈用时。
2025-02-06 cs.RO cs.SY eess.SY
Biasing the Driving Style of an Artificial Race Driver for Online Time-Optimal Maneuver Planning
Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）；Department of Electrical and Information Engineering, Politecnico di Bari（电气与信息工程系，巴里理工学院）；Professorship of Autonomous Vehicle Systems, Technical University of Munich（自主车辆系统教授职位，慕尼黑技术大学）
本文提出一种基于非线性MPC的新终端成本方法，使人工赛车手能实时偏置驾驶风格（早/晚顶点），实现接近离线最优且快于在线最小时间MPC的圈速。
2025-04-17 cs.RO cs.SY eess.SY
Outracing Human Racers with Model-based Planning and Control for Time-trial Racing
University of California Berkeley（加州大学伯克利分校）；École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
本研究利用高保真模拟器GTS，通过改进基于模型的离线轨迹规划与MPC在线跟踪控制框架，使自动驾驶赛车圈速达到人类专家前0.95%水平，并通过消融实验验证了各模块的必要性。
2023-10-25 cs.RO cs.SY eess.SY
Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；Hipert S.r.l.（Hipert 有限责任公司）
本文提出一种基于模型预测控制的赛车运动规划与控制流水线，通过成本混合状态机适应超车、正常驾驶和反向转向等情境，并在Superformula EAV-25赛车上验证，圈速接近人类最佳成绩的2%以内。
2026-09-14 cs.RO cs.SY eess.SY
BayesRace: Learning to race autonomously using prior experience
Amazon Web Services（亚马逊云科技）；University of Pennsylvania（宾夕法尼亚大学）
自动驾驶赛车需要感知、估计、规划和控制模块，这些模块在车辆操纵能力的极限下行驶时异步地协同工作。在设计这些软件组件时遇到的一个基本挑战在于高精度地预测车辆的未来状态（例如位置、方向和速度）。根本原因是难以识别捕获轮胎横向滑移影响的车辆模型参数。我们提出了一个基于模型的规划和控制框架，自动赛车，大大减少了系统辨识和控制设计所需的努力。我们的方法通过从机载传感器测量中学习，来消除基于仿真的控制器设计所引起的差距。这项工作的一个主要重点是经验，因此，我们通过验证1：43和1：10规模的自主赛车模拟实验来证明我们的贡献。
2020-11-15 cs.LG cs.RO cs.SY
A Data-Driven Aggressive Autonomous Racing Framework Utilizing Local Trajectory Planning with Velocity Prediction
Zhejiang University（浙江大学）
针对急弯赛道局部轨迹规划速度不佳的问题，提出基于模型预测轮廓控制的速度预测方法（VPMPCC），结合适应赛车的目标函数（OFR）与贝叶斯优化学习最优参数，在仿真中减少42.86%训练迭代，并成功应用于真实F1TENTH车辆，平均投影速度达车辆操控极限的93.18%。
2025-03-06 cs.RO cs.SY eess.SY
Online Verification Concept for Autonomous Vehicles -- Illustrative Study for a Trajectory Planning Module
自动驾驶汽车面临频繁的功能更新和复杂的软件堆栈（包括人工智能），其监管审批和安全保障是一个具有挑战性的话题。本文提出了一个概念和指导方针，开发一个在线核查模块-监督员-能够处理上述挑战。为建立监督员而提出的概念旨在识别和监测有助于安全操作的广泛功能列表。结果，实现了安全的整体（子）系统。保护自主赛车的运动规划器是用来说明的程序和实用性的框架在手。所提出的方法的能力进行了评估，在一个基于EQUIPO的测试环境和全尺寸的车辆数据。
2020-05-15 cs.SY eess.SY
Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds
University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；University of Parma（帕尔马大学）；ETH Zurich（苏黎世联邦理工学院）；University of Pisa（比萨大学）；Technology Innovation Institute（技术创新研究所）
本文提出了一种多层运动规划和控制架构的自主赛车，能够避免静态障碍物，执行主动超车，并达到75 $m/s$以上的速度。所使用的离线全局轨迹生成和在线模型预测控制器高度基于车辆的优化和动态模型，其中轮胎和外倾角效应以基本Pacejka Magic Formula的扩展版本表示。使用多体赛车运动库来识别和验证所提出的单赛道模型，该库可以正确模拟车辆动力学，在缺少真实实验数据时特别有用。调整控制器的基本正则化项和约束以减小输入的变化率，同时确保可接受的速度和路径跟踪。运动规划策略由基于Frenét-Frame的规划器组成，该规划器考虑由卡尔曼滤波器产生的对手的预测。规划者选择无碰撞路径和速度轮廓在3秒的水平线上进行跟踪，以实现不同的目标，如跟踪和超车。所提出的解决方案已被应用在Dallara AV-21赛车和测试在椭圆形赛道实现横向加速度高达25 $m/s^{2}$。
2022-07-22 cs.AI cs.RO cs.SY
An Autonomous System for Head-to-Head Race: Design, Implementation and Analysis; Team KAIST at the Indy Autonomous Challenge
KAIST（韩国科学技术院）
虽然大多数自动驾驶研究都集中在日常驾驶场景上，但自动驾驶汽车的进一步安全和性能改进需要关注极端驾驶条件。在这种情况下，自动驾驶赛车是一个新的研究领域，最近引起了相当大的兴趣。由于车辆在比赛期间由其感知、规划和控制极限驱动，因此出现了许多研究和开发问题。本文全面概述了KAIST团队为Indy Autonomous Challenge（IAC）构建的自动赛车系统。我们的自主堆栈主要由多模态感知模块、高速超车规划器、弹性控制堆栈和系统状态管理器组成。我们将详细介绍自治解决方案的所有组件，包括算法、实现和单元测试结果。此外，本文还概述了设计原则和系统分析的结果。尽管我们的设计原则源自自主赛车的独特应用领域，但它们也可以应用于各种安全关键型、高故障成本的机器人应用。该系统已被集成到一辆全尺寸自动驾驶赛车（Dallara AV-21）中，并进行了广泛的现场测试。因此，KAIST队是三支获得资格并参加IAC正式比赛的球队之一，没有发生任何事故。我们提出的自动驾驶系统成功完成了所有任务，包括在IAC @ CES 2022中以大约$220 km/h$的速度超车，这是世界上第一个自动驾驶的1：1头对头比赛。
2023-03-16 cs.RO cs.SY eess.SY
Optimization-Based Hierarchical Motion Planning for Autonomous Racing
ETH Zurich（苏黎世联邦理工学院）
在本文中，我们提出了一个分层控制器的自主赛车中使用相同的车辆模型在两个层次的优化框架运动规划。高级控制器计算使单圈时间最小化的轨迹，并且低级非线性模型预测路径跟随控制器在线跟踪所计算的轨迹。遵循计算出的最佳轨迹避免了在线规划，并实现了快速计算时间。通过在高级控制器中计算的终端约束，通过两个级别的耦合进一步提高了效率。在实时优化级别中包括该约束确保了预测范围可以缩短，同时保证了安全性。这对于在全尺寸无人驾驶赛车上进行实验验证至关重要。有问题的车辆赢得了两个国际学生赛车比赛，使用所提出的框架，此外，我们的分层控制器实现了20%的改进，在圈速相比，使用非常相似的汽车和轨道实现的最先进的结果。
2020-03-11 cs.RO cs.SY eess.SY
AlphaPilot: Autonomous Drone Racing
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出了一种新的系统，自主的，基于视觉的无人机比赛相结合的学习数据抽象，非线性滤波，和时间最优轨迹规划。该系统已成功部署在第一届自动无人机竞速世界锦标赛：2019年AlphaPilot挑战赛。与传统的无人机竞赛系统（仅检测下一个门）相反，我们的方法利用任何可见的门，并利用多个同时的门检测来补偿状态估计的漂移，并构建门的全局地图。全局地图和漂移补偿的状态估计允许无人机即使在门不是立即可见的情况下也导航通过比赛跑道，并且还使得能够基于近似的无人机动态实时的规划通过比赛跑道的接近时间最优的路径。该系统已被证明可以成功引导无人机通过紧凑的赛道，速度高达8米/秒，并在2019年AlphaPilot挑战赛中排名第二。
2021-08-20 cs.CV cs.RO cs.SY
Estimation of Electric Vehicle Public Charging Demand using Cellphone Data and Points of Interest-based Segmentation
Vrije Universiteit Brussel（布鲁塞尔自由大学）
道路电气化的竞赛已经开始，说服司机从燃料动力汽车转向电动汽车需要强大的电动汽车（EV）充电基础设施。本文提出了一种创新的电动汽车充电需求估计和细分方法。首先，我们使用蜂窝信令数据以邻域粒度估计充电需求。其次，我们提出了一个细分模型来划分不同充电技术之间的总充电需求：正常，半快速和快速充电。分割模型是一种基于城市兴趣点的方法，是一种最先进的方法，可以得出适用于城市规划的有用趋势。布鲁塞尔市的案例研究提出。
2022-06-02 cs.AI cs.SY eess.SY
Winning the 3rd Japan Automotive AI Challenge -- Autonomous Racing with the Autoware.Auto Open Source Software Stack
University of Pennsylvania, School of Engineering and Applied Science（宾夕法尼亚大学工程与应用科学学院）
第三届日本汽车人工智能挑战赛是一项国际在线自动驾驶赛车挑战赛，于2021年12月举行，共有164支队伍参赛。本文概述了本次比赛的获胜策略，以及使用Autoware.Auto开源自动驾驶平台进行多智能体赛车的优势和挑战。我们的成功方法包括车道切换对手超车策略、全局赛道优化以及Autoware.Auto的各种工具的集成，包括模型预测控制器。我们描述了感知、规划和控制模块在高速赛车应用中的使用，并提供了有关使用Autoware. Auto的经验见解。虽然我们的方法是一种基于规则的策略，适用于非交互式的对手，它提供了一个很好的参考和基准的学习方法。
2022-06-04 cs.RO cs.SY eess.SY
