Real-World Application of Various Trajectory Planning Algorithms on MIT RACECAR
Istanbul Technical University（伊斯坦布尔理工大学）
在该项目中，车辆首先由ROS控制。为此，准备了必要的节点，以便用操纵杆进行控制。然后，将动态窗口法（DWA）、时间弹性带法（TEB）和人工势场法（APF）路径规划算法分别应用于MIT RACECAR。这些算法在不同的问题上各有利弊。出于这个原因，创建了一个场景来比较算法。在根据这种情况创建的弯曲双车道道路上，MIT RACECAR必须遵循车道，当遇到障碍物时，它必须在不离开道路的情况下改变车道，并且在不碰到障碍物的情况下通过。此外，开发了一种图像处理算法，以获得实现该场景所需的车道的位置信息。该算法通过对ZED摄像机拍摄的图像进行处理来检测目标点，并将目标点信息提供给路径规划算法。在创建了必要的工具之后，针对场景测试了算法。在这些测试中，算法成功通过了多少障碍，选择了多简单的路线，以及它们的计算成本。根据这些结果，虽然它不是成功通过最多障碍的算法，但由于其处理负载低和工作逻辑简单，因此选择了APF。由于结构简单，当局相信该基金在项目的未来阶段亦会带来优势。
2021-08-17 cs.CV cs.RO
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
A Sequential Two-Step Algorithm for Fast Generation of Vehicle Racing Trajectories
Stanford University（斯坦福大学）
在最短时间内操纵车辆通过赛道的问题需要计算纵向（制动和油门）和横向（方向盘）控制输入。不幸的是，解决由此产生的非线性最优控制问题通常是计算昂贵的，不可行的实时轨迹规划。本文提出了一种迭代算法，将路径生成任务分为两个顺序的子问题，是显着更容易解决。给定通过赛道的初始路径，该算法运行一个前向-后向积分方案，以确定最短时间的纵向速度曲线，受轮胎摩擦约束。利用这种固定的速度曲线，该算法通过求解凸优化问题来更新车辆的路径，该凸优化问题使所产生的路径曲率最小化，同时保持在轨道边界内并遵守仿射、时变车辆动力学约束。这个两步过程反复重复，直到预测的单圈时间不再改善。虽然没有提供收敛或全局最优解的保证，但该方法在加州Willows的Thunderhill Raceway球场上进行验证时表现非常好。预测的单圈时间在四到五次迭代后收敛，在整个4.5公里的赛道上的每次迭代在膝上计算机上仅需要30秒的计算时间。在赛道上使用自动驾驶奥迪TTS测试车辆进行实验性驾驶，所产生的圈速和赛车线与非线性梯度下降解决方案和专业赛车驾驶员记录的轨迹相当。实验结果表明，该方法是一个可行的选择在线轨迹规划在不久的将来。
2019-02-02 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
A Holistic Motion Planning and Control Solution to Challenge a Professional Racecar Driver
AMZ Driverless, ETH Zürich（苏黎世联邦理工学院AMZ无人驾驶车队）；Computer Vision Lab, ETH Zürich（苏黎世联邦理工学院计算机视觉实验室）
我们提出了一个整体设计的三层控制架构，能够超越专业车手赛车相同的汽车。我们的方法侧重于运动规划和控制层的协同设计，充分挖掘互联系统的潜力。首先，高级规划器计算围绕轨道的最优轨迹，然后在实时中，中级非线性模型预测控制器使用高级信息作为指导遵循该路径。最后，一个高频率，低级别的控制器跟踪由中间级别的控制器预测的状态。跟踪预测的行为有两个优点：它减少了上层使用的模型和真实汽车之间的不匹配，并允许更高级别的运动规划器优化扭矩矢量控制命令。事实证明，底层控制器的定制设计对于弥合规划和控制之间的差距至关重要，并在自动驾驶赛车中释放出看不见的性能。所提出的方法在全尺寸赛车上进行了验证，大大提高了在同一车辆上取得的最先进的结果。最后，我们还表明，所提出的协同设计方法优于专业赛车手。
2021-08-19 cs.RO cs.SY eess.SY
This is the Way: Differential Bayesian Filtering for Agile Trajectory Synthesis
University of Virginia（弗吉尼亚大学）
自动驾驶赛车的主要挑战之一是设计高速和复杂赛道上的运动规划算法。端到端轨迹合成先前已经提出，其中自我车辆的轨迹是基于来自赛车的摄像机图像计算的。这是在使用行为克隆技术的监督学习设置中完成的。在本文中，我们通过引入差分贝叶斯滤波（DBF）来解决轨迹合成行为克隆方法的局限性，该滤波使用概率贝塞尔曲线作为基于贝叶斯推理推断最佳自主赛车轨迹的基础。我们引入了一个轨迹采样机制，并将其与能够将汽车推到其物理驾驶极限的过滤过程相结合。DBF的性能在DeepRacing F1仿真环境中进行了评估，并与其他几种轨迹合成方法以及人类驾驶性能进行了比较。DBF实现了最快的圈速和最快的速度，通过推动赛车更接近其控制极限，同时始终保持在赛道范围内。
2022-07-15 cs.RO
Control-Informed Constraint Adaptation in Minimum-Time Trajectory Planning for Autonomous Racing
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
针对自主赛车轨迹规划保守导致性能损失的问题，提出控制感知在线轨迹规划框架，通过动态调整约束补偿执行误差，在不增加计算负担的前提下缩短单圈时间1.8秒。
2026-08-17 cs.RO
Efficient Trajectory Optimization for Autonomous Racing via Formula-1 Data-Driven Initialization
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；Center for Robotics（机器人中心）；German Federal Ministry of Research, Technology and Space（德国联邦研究、科技与航天部）
本文利用F1 telemetry数据构建多赛道轨迹集，提出基于学习的初始化策略，通过局部赛道几何预测专家级赛车线，加速最优控制求解器收敛并减少运行时间。
2026-05-16 cs.RO
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
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
Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自动驾驶车辆系统教授职位，慕尼黑技术大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））；Avilus GmbH（Avilus GmbH公司）；Department of Information Technology and Electrical Engineering (DIETI), University of Naples Federico II（那不勒斯费德里科二世大学信息科技与电气工程系（DIETI））；Dept. of Industrial Engineering, University of Trento（特伦托大学工业工程系）
本文提出了一种模块化框架，用于评估轨迹规划和控制在高加速度 maneuver 中的新方法和现有方法，通过 RoboRacer 平台上的两个赛道测试，展示了 MS-NN 在提高跟踪精度和减少转向振荡方面的优势，以及在线速度重计划对提高 lap 时间和安全速度的贡献。
2026-05-19 cs.RO
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
Perfecting Periodic Trajectory Tracking: Model Predictive Control with a Periodic Observer ($Π$-MPC)
Stanford University（斯坦福大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出Π-MPC方法，通过周期观测器估计并补偿周期性扰动，与跟踪MPC结合实现渐近零误差跟踪，并在高维软体机器人和自动驾驶赛车实验中验证了其有效性。
2024-08-30 cs.RO cs.SY eess.SY
Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing
Automation & Control Institute (ACIN), TU Wien（自动化与控制研究所（ACIN），维也纳技术大学）
本文提出一种结合NURBS轨迹表示和控制器引导反馈的空间感知自适应轨迹优化方法，通过空间更新提升轨迹性能，在模拟和真实硬件上均实现了显著的圈速提升。
2026-02-17 cs.RO
Singularity Avoidance with Application to Online Trajectory Optimization for Serial Manipulators
Automation and Control Institute (ACIN), TU Wien（维也纳工业大学自动化与控制研究所（ACIN））；Center for Vision, Automation and Control, AIT Austrian Institute of Technology（奥地利技术研究所（AIT）视觉、自动化与控制中心）
本文提出一种基于已知奇异位形构建定制势函数的实时轨迹优化奇异性避免方法，经蒙特卡洛模拟验证，相比可操作性最大化方法，有效减少了计算时间并缩短了轨迹的时间和路径长度。
2023-03-31 cs.RO
Autonomous overtaking trajectory optimization using reinforcement learning and opponent pose estimation
University of Zagreb（萨格勒布大学）；Faculty of Mechanical Engineering and Naval Architecture（机械工程与海军建筑学院）
本文提出利用强化学习和传感器数据进行自主超车轨迹优化，通过融合LiDAR和深度相机数据提高对手姿态估计精度，实验证明在仿真和真实场景中均能有效执行超车动作。
2026-03-28 cs.RO
C-Uniform Trajectory Sampling For Fast Motion Planning
本文提出C-均匀轨迹采样方法，通过控制动作实现配置空间均匀采样，用于快速运动规划，并应用于MPPI控制器，仿真显示覆盖性能提升高达40%。
2024-09-18 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
A Stochastic Nonlinear Model Predictive Control with an Uncertainty Propagation Horizon for Autonomous Vehicle Motion Control
Technical University Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
本文提出不确定性传播时域（UPH）概念，结合多项式混沌展开改进随机非线性模型预测控制，在自动驾驶车辆轨迹跟随中实现高速鲁棒实时控制，并使原本不可行的问题变得可行。
2023-10-28 cs.RO cs.SY eess.SY
Model- and Acceleration-based Pursuit Controller for High-Performance Autonomous Racing
ETH Zurich（苏黎世联邦理工学院）；Center for Project Based Learning（项目式学习中心）
本文提出MAP控制器，在保留几何方法简洁性的同时引入模型与轮胎动力学，实现高速自动驾驶赛车轨迹跟踪，实验表明横向误差比现有几何控制器降低四倍。
2023-07-07 cs.RO cs.SY eess.SY
The Software Stack That Won the Formula Student Driverless Competition
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；KA-RaceIng e.V.（KA-RaceIng赛车协会）
本报告描述了我们设计和评估赛车软件堆栈的方法，该软件堆栈能够在学生方程式无人驾驶的不同学科中实现具有竞争力的驾驶性能。通过使用360°激光雷达和可选的三个摄像头，我们可以可靠地识别出距离约35米的塑料圆锥体标记的轨道边界，使我们能够在汽车的物理限制下驾驶。使用GraphSLAM算法，我们能够以小于15厘米的均方根误差绘制这些圆锥体，同时在狭窄的轨道上以超过70公里/小时的速度行驶。在轨迹规划中使用高精度地图，使用德洛内三角剖分和参数三次样条来检测车道边界。我们使用最小曲率的方法计算优化的轨迹与GGS图，考虑到在不同的速度下的空气动力学。为了跟踪目标路径的加速度高达1.6克，控制系统分为PI控制器的纵向控制和模型预测控制器的横向控制。此外，使用低级最优控制分配。该软件在ROS C++中实现，并在自定义模拟和实际赛道上进行测试。
2022-10-20 cs.RO
Optimal Multilayered Motion Planning for Multiple Differential Drive Mobile Robots with Hierarchical Prioritization (OM-MP)
School of Mechanical Science and Engineering, Huazhong University of Science and Technology（华中科技大学机械科学与工程学院）
针对复杂动态环境下多智能体规划与编队控制难题，提出OM-MP多层优化框架，将MAPF转化为MATP问题，结合全局AGS算法、局部CBFs与斜柱障碍盒及分层优先级策略，在求解速度、可扩展性等方面优于现有前沿方法。
2024-05-11 cs.RO
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
Real-time Velocity Profile Optimization for Time-Optimal Maneuvering with Generic Acceleration Constraints
FBGA通过前向-后向算法实现高精度快速的时间最优轨迹规划，适用于复杂加速度约束的自动驾驶赛车应用。
2026-01-07 cs.RO cs.SY eess.SY
R$^2$NMPC: A Real-Time Reduced Robustified Nonlinear Model Predictive Control with Ellipsoidal Uncertainty Sets for Autonomous Vehicle Motion Control
Technical University Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
提出R$^2$NMPC算法，利用椭球不确定性集动态和系统敏感性近似传播，在保持名义NMPC复杂度下实现鲁棒约束，实时跟踪自动驾驶车辆轨迹，平均求解频率144Hz。
2023-11-10 cs.RO cs.SY eess.SY
REFINE: Reachability-based Trajectory Design using Robust Feedback Linearization and Zonotopes
University of Michigan（密歇根大学）；University of Pennsylvania（宾夕法尼亚大学）；Ford Motor Company（福特汽车公司）
为自动驾驶车辆执行实时后退水平运动规划，同时提供安全保证仍然很困难。这是因为现有的方法，以准确地预测自我车辆的行为下选择的控制器使用在线数值积分，需要一个精细的时间离散化，从而不利地影响实时性能。为了解决这个问题，最近的几篇论文提出了应用离线可达性分析来保守地预测自我车辆的行为。这个可达集可以通过利用一个简化的模型来构造，该模型的行为被假定为先验保守地约束全阶模型的动态。然而，保证满足这个假设是具有挑战性的。本文提出了一个名为REFINE的框架，以克服这些现有方法的局限性。REFINE利用参数化的鲁棒控制器，即使在存在建模误差的情况下，也可以部分线性化车辆动力学。然后对闭环全阶车辆动力学进行基于层位的可达性分析，计算相应的控制参数化过近似前向可达集（FRS）。由于对全阶模型进行了可达性分析，避免了使用简化模型可能带来的保守性。然后，在优化框架中在线使用预先计算的控制参数化FRS，以确保安全性。所提出的方法相比，几个国家的最先进的方法在基于仿真的评估全尺寸的车辆模型，并评估1/10赛车机器人在真正的硬件测试。与现有的方法相比，REFINE被证明能够使车辆安全地通过复杂的环境。
2022-11-22 cs.RO
Solve paint color effect prediction problem in trajectory optimization of spray painting robot using artificial neural network inspired by the Kubelka Munk model
Shandong University（山东大学）；Weihai Research Institute of Industrial Technology, Shandong University（山东大学威海工业技术研究院）
针对多色喷涂轨迹优化缺乏像素级颜色效果预测的问题，本文融合 Kubelka-Munk 模型、3D机器视觉与改进MLP，提出可替代厚度仿真的颜色效果预测方法。
2024-09-06 cs.RO
Time-Varying Coverage Control: A Distributed Tracker-Planner MPC Framework
Institute for Dynamic Systems and Control (IDSC), ETH Zürich（动态系统与控制研究所（IDSC），苏黎世联邦理工学院）
本文提出一种分布式跟踪器-规划器MPC框架，用于非线性约束下的时变覆盖控制，并给出收敛性、安全性与递归可行性保证，最终通过四辆微型赛车硬件实验验证。
2025-07-02 cs.RO cs.SY eess.SY
An Iterative LQR Controller for Off-Road and On-Road Vehicles using a Neural Network Dynamics Model
Texas A&M University（德克萨斯A&M大学）
本文提出结合神经网络动力学模型与ILQR的轨迹跟踪控制器，并用MPC补偿模型误差，在越野和道路车辆上验证其跟踪性能。
2020-07-28 cs.LG cs.RO cs.SY
Reinforcement Learning-based Dynamic Adaptation for Sampling-Based Motion Planning in Agile Autonomous Driving
Professorship of Autonomous Vehicle Systems, TUM School of Engineering and Design, Technical University of Munich（自主车辆系统教授职位，TUM工程与设计学院，慕尼黑技术大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所（MIRMI））
提出基于强化学习的高级行为选择器，动态调整低级轨迹规划器的代价函数参数，解决静态权重次优问题，实现0%碰撞率并减少超车时间60%。
2025-10-12 cs.RO
A Preview of Open-Loop and Feedback Nash Trajectories in Racing Scenarios
Technical University of Munich（慕尼黑工业大学）
针对自主赛车轨迹规划的交互竞争挑战，提出基于iLQGame的评估框架，对比开环与反馈纳什均衡的行为差异，并展望后续研究方向。
2023-10-01 cs.RO
Autonomous Overtaking in Gran Turismo Sport Using Curriculum Reinforcement Learning
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Sony AI Zurich（索尼AI苏黎世）
专业赛车手可以执行极端超车演习。然而，现有的自动超车算法要么依赖于车辆动力学的简化假设，要么试图在线解决昂贵的自动优化问题。当车辆接近其物理极限时，现有的基于模型的控制器难以处理高度非线性的动态特性，并且无法利用模拟或真实驾驶产生的大量数据。为了规避这些限制，我们提出了一种新的基于学习的方法来解决自主超车问题。我们在流行的赛车游戏Gran Turismo Sport中评估了我们的方法，该游戏以各种汽车和赛道的详细建模而闻名。通过利用课程学习，与普通强化学习相比，我们的方法可以更快地收敛并提高性能。因此，经过训练的控制器优于内置的基于模型的游戏AI，并实现了与经验丰富的人类驾驶员相当的超车性能。
2021-05-09 cs.AI cs.RO
Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所在加拿大）；Robotics and Perception Group（机器人与感知组）
本文提出了一种感知意识时间最优轨迹优化框架，结合动力学、视觉约束和环境几何，提升四旋翼飞行的感知可靠性与效率。
2026-03-04 cs.RO
Morphology-Aware Graph Reinforcement Learning for Tensegrity Robot Locomotion
Robotics Department, University of Michigan（密歇根大学机器人系）
本文提出一种结合图神经网络的强化学习框架，用于提升张力结构机器人运动控制的效率与鲁棒性，通过物理拓扑图建模实现更稳定的训练效果。
2026-05-11 cs.RO
Learn-to-Race: A Multimodal Control Environment for Autonomous Racing
Carnegie Mellon University（卡内基梅隆大学）；NVIDIA（英伟达）；Pinterest；Arrival；Bosch Research（博世研究院）
现有的自动驾驶研究主要集中在城市驾驶，这不足以描述高速赛车背后的复杂驾驶行为。与此同时，现有的赛车模拟框架在捕捉现实主义方面的斗争，相对于视觉渲染，车辆动力学和任务目标，抑制学习代理转移到现实世界的背景。我们引入了一个新的环境，代理学习比赛（L2 R）在模拟的竞争风格的赛车，使用多模态信息-从虚拟相机的惯性测量传感器的全面阵列。我们的环境包括一个模拟器和一个接口训练框架，可以精确地模拟车辆动力学和比赛条件。在本文中，我们发布了用于自主赛车的Arrival模拟器。接下来，我们提出了具有挑战性指标的L2 R任务，其灵感来自于学习驾驶挑战、公式式赛车和自动驾驶的多模式轨迹预测。此外，我们还提供L2 R框架套件，便于在真实赛道的高精度模型上进行模拟比赛。最后，我们提供了一个官方的L2 R任务数据集的专家演示，以及一系列的基线实验和参考实现。我们提供所有代码：https://github.com/learn-to-race/l2r。
2021-08-18 cs.CV cs.LG cs.RO
Kineto-Dynamical Planning and Accurate Execution of Minimum-Time Maneuvers on Three-Dimensional Circuits
Professorship of Autonomous Vehicle Systems, Technical University of Munich（自主车辆系统教授职位，技术大学慕尼黑）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；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）
本文提出人工赛车手ARD，融合新型KD车辆模型与E-NMPC，在三维赛道上在线规划并执行最短时间机动，圈速接近离线最优基准且具备误差下重规划能力。
2025-09-26 cs.RO
Time-Optimal Gate-Traversing Planner for Autonomous Drone Racing
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）；University of Toronto Division of Engineering Science (EngSci)（多伦多大学工程科学系）
针对无人机竞速中忽略门配置导致路径保守的问题，提出一种时间最优过门规划器，在单旋翼推力限制下建模不同门约束，以秒级计算生成更省时轨迹，并通过仿真与真实飞行验证其可进一步缩短单圈时间。
2024-05-04 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
Path Tracking of Highly Dynamic Autonomous Vehicle Trajectories via Iterative Learning Control
Stanford University（斯坦福大学）
几十年来，迭代学习控制已经成功地用于改善执行单个重复任务的控制系统的性能。学习控制器利用来自先前控制执行的信息，逐渐确定开环控制输入，其参考跟踪性能可以超过传统的反馈-前馈控制算法。本文认为迭代学习控制以前未探索的领域：自主赛车。赛车在接近轮胎-路面摩擦力的物理极限时，绕着相同的转弯序列行驶多圈，其中转向动力学变得高度非线性和瞬态，使得精确的路径跟踪变得困难。然而，由于在单车比赛的情况下，车辆轨迹对于每圈都是相同的，因此非线性车辆动力学和未建模的道路条件是可重复的，并且可以使用迭代学习控制来解释，只要没有超过轮胎力限制。本文描述了设计和应用比例微分（PD）和二次最优（Q-ILC）学习算法的多圈路径跟踪的自主赛车。仿真结果用于调整控制器增益和测试收敛性，并给出了奥迪TTS赛车上行驶几圈的Thunderhill Raceway在Willows，CA在横向加速度高达8 $\mathrm{m/s^2}$的实验结果。这两种控制算法都能够校正瞬态路径跟踪误差，并提高由参考前馈控制器提供的性能。
2019-02-02 cs.RO
Longitudinal Control for Autonomous Racing with Combustion Engine Vehicles
Technical University of Munich, Germany（慕尼黑技术大学）；School of Engineering & Design（工程与设计学院）；Department of Engineering Physics and Computation（工程物理与计算系）；Institute of Automatic Control（自动控制研究所）；Department of Mobility Systems Engineering（移动系统工程系）；Institute of Automotive Technology（汽车技术研究所）
针对内燃机自动驾驶赛车的驱动输入适配问题，提出模块化纵向控制方案，将高层轨迹跟踪指令转换为节气门、制动压力、挡位等底层指令，搭配安全控制功能，经EAV24赛车实测试验验证可实现紧密指令跟踪。
2025-04-24 cs.RO cs.SY eess.SY
BC-NMPC: Battery-Constrained NMPC with Propulsion Prediction and Replanning for High-Speed Flight
Czech Technical University in Prague（捷克技术大学（布拉格））
针对高速飞行中无人机因电池问题致轨迹跟踪性能下降的问题，提出将电池和推进系统模型集成到NMPC框架的方法，能实时预测相关参数，通过轨迹规划算法提高性能，实验验证了模型准确性和算法有效性。
2026-10-06 cs.RO cs.SY eess.SY
BaB-ND: Long-Horizon Motion Planning with Branch-and-Bound and Neural Dynamics
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Toyota Research Institute（丰田研究所）；Columbia University（哥伦比亚大学）
针对神经动力学模型非线性导致的长时域接触丰富操作规划难题，提出 GPU 加速的 BaB-ND 分支定界框架，通过专用分支与改进界传播高效优化轨迹，并在仿真和真实任务中优于现有方法。
2025-03-16 cs.RO
Evaluation of Local Planner-Based Stanley Control in Autonomous RC Car Racing Series
Széchenyi István University（塞切尼·伊什特万大学）
本文提出一种无需建图、基于LiDAR点云局部路径规划的自主RC赛车Stanley控制改进方法，通过添加稳定控制组件和自适应前瞻点优化单圈时间，实验表明其性能与复杂离线优化方法差距低于10%，更贴近真实场景。
2024-08-27 cs.RO cs.SE
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
Local Gaussian Modifiers (LGMs): UAV dynamic trajectory generation for onboard computation
Universidad Politécnica de Madrid（马德里理工大学）；Centre for Automation and Robotics（自动化与机器人中心）
针对无人机机载计算能力有限、高速敏捷飞行中最优轨迹重算成本过高的问题，提出基于Local Gaussian Modifiers的快速轻量动态轨迹修正方法，仿真和实飞均验证了其有效性。
2023-05-05 cs.RO
Kernel-Based Metrics Learning for Uncertain Opponent Vehicle Trajectory Prediction in Autonomous Racing
Ulsan National Institute of Science and Technology（蔚山国立科学技术院）
本研究提出基于深度核学习的异构核度量方法，用于预测自动驾驶赛车中不确定轨迹的对手车辆，通过无监督对齐相似驾驶策略提升预测精度，并在1/10比例平台上验证了安全超越的有效性和计算效率。
2026-09-16 cs.AI cs.LG cs.RO
DBF-MA: A Differential Bayesian Filtering Planner for Multi-Agent Autonomous Racing Overtakes
Trent Weiss 1；Amar Kulkarni 2；Madhur Behl 2
针对自主赛车超车生成难、现有方法依赖简化假设的问题，提出基于差分贝叶斯滤波扩展的DBF-MA规划器，将轨迹合成建模为复合贝塞尔曲线空间的贝叶斯推理，无导数且无需多种简化，87%测试场景超车成功，性能优于现有方法。
2025-10-01 cs.RO
Trajectory Prediction for Autonomous Driving using Agent-Interaction Graph Embedding
McGill University（麦吉尔大学）
本文提出AiGem方法，通过构建时空图并利用图编码器和GRU解码器预测车辆轨迹，在长预测时域上优于现有深度学习方法。
2024-10-15 cs.LG cs.RO
Hybrid Imitation-Learning Motion Planner for Urban Driving
Computer Science and Technology, Xi’an Jiaotong University（计算机科学与技术，西安交通大学）
本文提出一种混合运动规划器，结合模仿学习与优化技术，以平衡城市驾驶中的安全性与人类相似性，并通过仿真和实车验证其有效性。
2025-04-19 cs.AI cs.LG cs.RO
Analyzing the Impact of Simulation Fidelity on the Evaluation of Autonomous Driving Motion Control
Technical University of Munich（慕尼黑技术大学）；School of Engineering & Design（工程与设计学院）；Department of Mobility Systems Engineering（移动系统工程系）；Institute of Automotive Technology（汽车技术研究所）
本文研究了仿真保真度对自动驾驶运动控制评估的影响，通过不同保真的车辆模型仿真，分析了控制算法在不同应用中的可简化程度。
2026-02-08 cs.RO
Track-Guided Hierarchical Reinforcement Learning for Autonomous Vehicle Drifting with Minimum-Lap-Time Planning
该研究针对自动驾驶车辆漂移控制的双目标难题，提出TgRL分层强化学习框架，结合最优轨迹规划训练智能体，实现了兼顾控制性能与圈速缩短的漂移竞赛策略。
2026-08-04 cs.RO
