The Autonomous Racing Software Stack of the KIT19d
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
Formula Student Driverless挑战工程专业的学生开发自动驾驶单座赛车，以寻求带来更多的毕业生，他们已经准备好解决与自动驾驶相关的现实世界问题。在本文中，我们介绍了KA-RaceIng参加2019年比赛的软件堆栈。我们涵盖了系统的基本模块，包括感知，定位，映射，运动规划和控制。此外，开发方法进行了概述，并给出了系统架构的概述。最后，我们提出了选定的运行时测量，数据日志，和竞争的结果，以提供一个深入了解最终原型的性能。
2020-10-06 cs.RO
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
Euclidean and non-Euclidean Trajectory Optimization Approaches for Quadrotor Racing
University of California, Berkeley（加州大学伯克利分校）
本文提出两种基于欧几里得与非欧几里得几何的四旋翼竞速线优化方法，采用高保真动力学，避免航路点近似，实现百倍加速并改善收敛，且可处理静态障碍物。
2024-07-16 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
Spline-Based Minimum-Curvature Trajectory Optimization for Autonomous Racing
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于B-spline的最小曲率轨迹优化方法，仅以样条控制点为变量，在自动驾驶赛车动力学数据有限的情况下实现与现有方法相近的最优性，并将变量维度降低90%、计算时间从秒级降至毫秒级。
2023-09-17 cs.RO cs.SY eess.SY
Vehicle Dynamics Modeling for Autonomous Racing Using Gaussian Processes
Univ. of Virginia（弗吉尼亚大学）
本文面向 F1TENTH 高速自动驾驶赛车，系统评估 GP 回归近似单轨车辆动力学的建模选择，并通过真实 F1 赛道的 400 多次仿真给出核函数、样本量与赛道条件等方面的训练建议。
2023-06-06 cs.LG 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
Track based Offline Policy Learning for Overtaking Maneuvers with Autonomous Racecars
University of Pennsylvania（宾夕法尼亚大学）
无人驾驶汽车的日益普及带动了自动赛车领域的研发，而在自动赛车中超车是一项具有挑战性的任务。车辆必须在动态操纵的极限下进行检测和操作，并且必须在高速和高加速度下做出汽车决策。自动驾驶赛车中最关键的部分之一是与动态对手车辆进行超车的路径规划和决策。在本文中，我们提出了评估的轨道为基础的离线策略学习方法的自主赛车。我们定义了特定的轨道部分，并进行离线实验，以评估基于速度和位置的自我车辆的超车机动的概率。基于这些实验，我们可以定义每个轨道部分的超车概率分布。此外，我们提出了一个开关MPCC控制器设置，将学习的政策，以实现更高的超车机动率。通过详尽的模拟，我们表明，我们提出的算法是能够增加在不同的轨道部分超车的数量。
2021-07-20 cs.GT cs.RO
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
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
Model-Structured Neural Networks to Control the Steering Dynamics of Autonomous Race Cars
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）；Department of Information Technology and Electrical Engineering (DIETI), University of Naples Federico II（信息科技与电气工程系（DIETI），那不勒斯费德里科二世大学）；Chair of Automatic Control, Department of Mechanical Engineering, TUM School of Engineering and Design（自动控制教授职位，机械工程系，慕尼黑技术大学工程与设计学院）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
本文提出将非线性车辆动力学先验融入神经架构的 MS-NN-steer 转向控制器，并在 A2RL 实车数据上验证其小样本精度、泛化性与鲁棒性优势。
2025-07-27 cs.RO
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
Online Velocity Profile Generation and Tracking for Sampling-Based Local Planning Algorithms in Autonomous Racing Environments
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，技术大学慕尼黑工程与设计学院，技术大学慕尼黑）；Chair of Automatic Control, Technical University of Munich（自动控制教授职位，技术大学慕尼黑）；Institute of Automotive Technology, TUM School of Engineering and Design, Technical University of Munich（汽车技术研究所，技术大学慕尼黑工程与设计学院，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（MIRMI））
本文提出一种自主赛车在线速度规划方法，结合前向-后向求解器与空间采样策略，利用三维赛道表示生成速度剖面，以应对动态约束变化并提升局部规划适应性。
2025-05-08 cs.RO
Track-centric Iterative Learning for Global Trajectory Optimization in Autonomous Racing
本文提出了一种以赛道为中心的迭代学习框架，通过小波变换和贝叶斯优化优化完整赛程轨迹，实现实时动态更新和圈速提升。
2026-01-28 cs.RO
Learning from Simulation, Racing in Reality
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
我们提出了一个基于强化学习的解决方案，在微型赛车平台上自主比赛。我们表明，一个政策，纯粹是在模拟训练使用一个相对简单的车辆模型，包括模型随机化，可以成功地转移到真正的机器人设置。我们通过使用新的策略输出正则化方法和一个提升的动作空间来实现这一点，该动作空间可以实现平滑的动作，但仍然具有侵略性的赛车驾驶。我们表明，这种正则化的政策确实优于软演员批评（SAC）基线方法，无论是在模拟和真实的汽车，但它仍然优于模型预测控制器（MPC）的最先进的方法。利用三个小时的真实交互数据对该策略进行改进，使强化学习策略能够实现与MPC控制器相似的圈速，同时将轨迹约束违规减少50%。
2021-05-07 cs.AI cs.RO cs.SY
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
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
LPV-MPC for Lateral Control in Full-Scale Autonomous Racing
本文提出一种线性参数变化模型预测控制器（LPV-MPC）用于自动驾驶赛车的横向控制，在IAC AV-24上实现，以超过160英里/小时的速度稳定运行，详细介绍了控制器设计、模型参数提取方法及系统级考虑，提供了最终比赛跑的结果分析。
2026-03-14 cs.RO
Learning Model Predictive Control for Competitive Autonomous Racing
Hamburg University of Technology（汉堡工业大学）；UC Berkeley（加州大学伯克利分校）
本论文的目标是设计一个学习模型预测控制器（LMPC），允许多个智能体在预定义的赛道上实时竞争。本论文解决了两个主要的缺点，在现有的单剂配方。以前，代理确定局部最优轨迹，但不探索状态空间，这可能是必要的超车机动。此外，过去已经通过使用非凸终端集来实现LMPC的障碍物避免，这增加了确定优化问题的解决方案的复杂性。所提出的多代理竞赛算法通过执行多个不同初始化的LMPC来探索状态空间，从而产生更丰富的终端安全集。此外，一个新的方法来选择在终端集的状态，它保持了凸性的终端安全集，并允许采取次优状态。
2020-05-02 cs.LG cs.RO math.OC
A Nonlinear Model Predictive Control Strategy for Autonomous Racing of Scale Vehicles
University of Sannio（萨尼奥大学）；Czech Technical University in Prague（捷克布拉格技术大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
提出了一种非线性模型预测控制（NMPC）策略，旨在控制一个小规模的汽车模型的自主赛车比赛。建议的控制策略是关注最小化的单圈时间，同时保持车辆在轨道边界。优化问题考虑了车辆的驱动限制和横向和纵向力作用在汽车上，通过Pacejka的魔术公式和一个简单的传动系统模型建模。此外，该方法允许安全地在由静态障碍物填充的轨道上比赛，生成无碰撞轨迹并跟踪它们，同时提高圈计时性能。利用F1/10仿真器进行的露台仿真验证了所提控制策略的可行性和有效性。该代码以开源形式发布，使得复制所获得的结果成为可能。
2023-02-09 cs.RO
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
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
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
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
Adaptive Lookahead Pure-Pursuit for Autonomous Racing
University of Virginia（弗吉尼亚大学）
本文提出了一种自适应前瞻纯追求横向控制器，用于优化赛车指标，如单圈时间，平均单圈速度，并在自主赛车的情况下从参考轨迹的偏差。我们提出了一种贪心算法来计算和分配最佳的前瞻距离的纯追求控制器的每个航路点上的参考轨迹，以提高比赛指标。我们使用基于ROS的自主赛车模拟器来评估自适应纯追求算法，并将我们的方法与其他几种基于纯追求的横向控制器进行比较。我们还展示了我们的方法在一个规模化的真实测试平台上使用F1/10自动赛车。我们的方法导致自动赛车的比赛指标有显着改善（20%）。
2021-11-17 cs.RO
On learning racing policies with reinforcement learning
IDEAS Research Institute（IDEAS研究 institute）；IDEAS NCBR；Institute of Robotics and Machine Intelligence（机器人与机器智能研究所）
本文提出使用强化学习结合域随机化、执行器动力学建模和策略架构设计来学习自动驾驶赛车策略，在F1TENTH赛车上实现了零样本部署，不仅超越了MPC，更首次在遥控赛车中击败人类专家驾驶员。
2025-08-13 cs.RO 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
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
Optimization-Based Autonomous Racing of 1:43 Scale RC Cars
ETH Zurich（苏黎世联邦理工学院）
本文基于数学优化实现遥控赛车自主赛车，通过动态模型和递推控制策略，结合路径规划和非线性模型预测控制，解决赛道跟踪与对手避让问题，实验验证了优化方法在实时性和性能上的有效性。
2017-11-20 cs.RO cs.SY eess.SY
Fast and Modular Autonomy Software for Autonomous Racing Vehicles
Carnegie Mellon University（卡内基梅隆大学）；Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Pittsburgh（匹兹堡大学）；Rochester Institute of Technology（罗切斯特理工学院）；University of Waterloo（滑铁卢大学）
本文介绍了MIT-Pitt-RW团队在IAC自动驾驶赛车中的模块化自主软件栈，涵盖智能体检测、运动规划与控制，并在Dallara AV-21平台上验证了性能与改进方向。
2024-08-27 cs.AI cs.RO cs.SE
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
Accelerating Autonomy: Insights from Pro Racers in the Era of Autonomous Racing - An Expert Interview Study
Technical University of Munich（慕尼黑工业大学）；TUM School of Engineering and Design（慕尼黑工业大学工程与设计学院）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
通过对11名职业赛车手、数据分析师和教练的专家访谈，研究人类车手接近车辆极限并缩短单圈时间的认知与自适应策略，并与自动驾驶赛车软件栈对比，据此提出开发更具自适应性的自主软件模块。
2024-05-04 cs.RO
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
Feedback Linearization of Car Dynamics for Racing via Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
通过学习反馈线性化的方法，我们试图学习一个线性化的控制器，以简化控制过程的汽车自主比赛。一个软的行动者批评的方法是用来学习解耦矩阵和漂移向量，有效地纠正错误的手工设计的线性化控制器。其结果是一个精确的线性化控制器，可以用来使发达的线性系的理论设计的路径规划和跟踪计划，易于实现和显着减少计算要求。为了演示反馈线性化的方法，首先使用它来学习一个仿真模型，该模型的精确结构是已知的，但是与初始控制器不同，从而引入误差。我们进一步寻求将这种方法应用于一个系统，该系统以专门为模拟赛车动态而设计的健身房环境的形式引入了更多的错误。为此，我们扩展了学习反馈线性化的方法;使用监督学习训练的神经网络将我们的线性化控制器的输出转换为赛车环境所需的输入。报告了我们在实现这些目标方面取得的进展，并讨论了实现这些目标的下一步措施。
2021-10-20 cs.LG cs.RO math.OC
A Hierarchical Approach for Strategic Motion Planning in Autonomous Racing
University Freiburg（弗莱堡大学）
我们提出了一种安全的轨迹规划方法，其中与自主赛车相关的战略任务在模拟环境中学习样本效率。高级策略，表示为神经网络，输出在参数非线性模型预测控制器（NMPC）的成本函数内使用的奖励规范。通过在NLP中包含约束和车辆运动学，我们能够保证与所使用的模型相关的安全可行的轨迹。与经典的强化学习（RL）相比，我们的方法将探索限制在安全的轨迹上，以良好的先验性能开始，并产生可以传递给跟踪最低级别控制器的完整轨迹。我们不解决最低级别的控制器在这项工作中，并假设完美的跟踪可行的轨迹。我们展示了我们的算法在模拟赛车任务，包括高层次的决策优越的性能。车辆学习有效地超越较慢的车辆，并通过阻挡较快的车辆来避免被超越。
2022-12-03 cs.RO cs.SY eess.SY
Learning Model Predictive Control with Error Dynamics Regression for Autonomous Racing
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；University of California Berkeley（加州大学伯克利分校）
本文提出一种学习模型预测控制策略，结合全局物理模型与局部线性误差动力学回归，在仿真、1/10比例硬件及全尺寸IAC赛车上验证，实现了高速操控极限下的鲁棒迭代学习。
2024-03-07 cs.RO cs.SY eess.SY
RACER: Residual-Adaptive Closed-Loop Estimation for Sampling-Based Planning in Wheeled-Quadruped Racing
University of California, Berkeley（加州大学伯克利分校）；California Institute of Technology（加州理工学院）
RACER提出结合MPPI规划器、残差动力学模型和RL速度跟踪器的分层框架，通过LoRRA两阶段训练提升轮式四足竞速性能，仿真验证了残差项和低秩约束的有效性。
2026-10-07 cs.RO
Competitive Driving of Autonomous Vehicles
Ariel University（阿里埃勒大学）
本文介绍了Ariel Team为Indy Autonomous Challenge（IAC）模拟比赛开发的自主赛车控制器。IAC是第一个多车辆自动驾驶的头对头比赛，沿着椭圆形赛道达到300公里/小时的速度，模仿印第安纳波利斯赛车场（IMS）。我们的赛车控制器试图最大限度地提高沿赛道的进展，同时避免与对手车辆碰撞，并遵守比赛规则。为此，比赛控制器首先离线计算比赛线。然后，它反复在线计算一小组动态可行的机动候选，每个测试与对手车辆的碰撞。最后，它选择的机动，最大限度地提高沿轨道的进展，考虑到种族线。机动候选人，以及对手车辆的预测轨迹，近似使用点质量模型。尽管这个赛车控制器很简单，但它在IAC最终模拟比赛中成功地驾驶了比赛，并且没有与任何对手车辆发生碰撞。
2022-10-30 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
Contextual Tuning of Model Predictive Control for Autonomous Racing
ETH Zurich（苏黎世联邦理工学院）；SENER Aerospace（赛纳斯航空航天公司）
提出一种基于上下文贝叶斯优化的模型预测控制调节方法，通过学习的动力学模型编码环境条件，同时调整模型和目标，在1:28比例遥控赛车平台上以更少数据实现了跨环境条件的单圈时间优化。
2024-08-22 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
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
RaceVLA: VLA-based Racing Drone Navigation with Human-like Behaviour
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
RaceVLA利用视觉-语言-动作模型模拟人类飞行员决策，实现自主竞速无人机导航，在复杂高速场景中展现出优于OpenVLA和RT-2的实时调整能力与鲁棒泛化性。
2025-03-04 cs.AI cs.RO
Learning to Tune Pure Pursuit in Autonomous Racing: Joint Lookahead and Steering-Gain Control with PPO
Lane Department of Computer Science and Electrical Engineering, West Virginia University（计算机科学与电气工程系，西弗吉尼亚大学）
本文提出基于PPO的强化学习方法，联合优化纯追求算法的前瞻距离和转向增益，提升自主赛车的路径跟踪性能。
2026-02-20 cs.AI cs.LG 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
Adaptive Planning and Control with Time-Varying Tire Models for Autonomous Racing Using Extreme Learning Machine
Carnegie Mellon University（卡内基梅隆大学）；Cleveland State University（克利夫兰州立大学）
自动驾驶赛车是一个具有挑战性的问题，因为车辆需要在摩擦或操纵极限下运行，以实现最小圈速。自动驾驶赛车需要高度准确的感知、状态估计、规划和精确的控制应用。更具有挑战性的是准确识别车辆模型参数，这些参数决定了轮胎横向滑移的影响，轮胎横向滑移可能会随着时间的推移而变化，例如，由于轮胎的磨损和撕裂。目前的工作要么提出离线模型识别，要么需要良好的参数来开始（在实际值的15-20\%内），这不足以解释在实际比赛中在控制极限下驾驶时发生的轮胎模型的重大变化。我们提出了一个统一的框架，该框架可以从收集的数据中在线学习轮胎模型，并根据环境变化调整模型，即使模型参数变化幅度较大。我们展示了我们的方法在数字和高保真度模拟器1：43规模的赛车和全尺寸的汽车。
2023-03-14 cs.RO
AMZ Driverless: The Full Autonomous Racing System
ETH Zurich（苏黎世联邦理工学院）
本文介绍了一种自动驾驶赛车的算法和系统结构。所介绍的车辆是由一个软件栈设计的鲁棒性，可靠性和可扩展性。为了在以前未知的赛道上自主比赛，所提出的解决方案结合了来自不同机器人领域的最新技术。具体而言，感知，估计和控制被纳入一个高性能的自动赛车。这个复杂的机器人系统由AMZ Driverless和苏黎世联邦理工学院开发，在我们参加的每一场比赛中都获得了第一名：2017年德国学生方程式，2018年意大利学生方程式和2018年德国学生方程式。我们讨论了这些比赛的结果和学习，并提出了我们的解决方案的每个模块的实验评估。
2019-05-13 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
Race to Recovery: Designing Advanced Safety Systems for Autonomous Driving via Learning Autonomous Racing
该研究针对自动驾驶失控恢复问题，通过强化学习训练赛车漂移策略并适配恢复任务，引入Gym-Khana工具，在仿真和实体F1TENTH车辆上均显著提升了失控恢复性能。
2026-10-16 cs.RO
QuayPoints: A Reasoning Framework to Bridge the Information Gap Between Global and Local Planning in Autonomous Racing
Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学）
本文提出QuayPoints框架，通过向局部规划器传递全局时间最优性信息（即偏离赛车线导致最优性受损的区域），解决自动驾驶竞赛中全局与局部规划间的信息丢失问题，使局部规划器在超车等场景下做出更优决策。
2025-10-13 cs.RO
Benchmarking of a software stack for autonomous racing against a professional human race driver
Technical University of Munich（慕尼黑工业大学）
公共道路车辆实现完全自主的道路需要逐步取代人类驾驶员，最终目标是完全取代驾驶员。最终，驾驶软件必须能够处理自己发生的所有情况，甚至是紧急情况。这些特殊情况需要在操纵极限下采取极端的制动和转向联合行动，以避免事故或减少其后果。普通的人类驾驶员没有受过处理这种极端和很少发生的情况的训练，因此经常无法做到这一点。然而，专业赛车手被训练成利用最大量的可能轮胎力来驾驶车辆。这些能力对于自动驾驶软件的开发具有很高的兴趣。在这里，我们将专业赛车手和我们为自动驾驶赛车开发的软件堆栈与赛车运动中建立的数据分析技术进行比较。这项研究的目标是获得进一步改善我们的软件性能的迹象，并确定它仍然无法满足人类赛车手的性能水平的领域。我们的研究结果用于扩展我们软件的功能，并将我们的研究结果纳入公共道路自动驾驶汽车的研究和开发中。
2020-05-20 cs.HC cs.RO
Scalable Supervisory Architecture for Autonomous Race Cars
Széchenyi István University（塞切尼伊什特万大学）
本文提出一种专为自动驾驶赛车设计的可扩展监督架构，强调模块化、配置适应性与流水线并行执行能力，并在两项竞赛中验证了其一致性能与实际有效性。
2024-08-27 cs.RO cs.SE
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
Computing the racing line using Bayesian optimization
University of Pennsylvania（宾夕法尼亚大学）
一个好的赛车策略，特别是赛车线是决定性的赢得比赛的一级方程式，摩托车大奖赛，和其他形式的赛车。赛车线定义了赛道上的路径以及沿着路径的最佳速度曲线。目标是通过在摩擦和操纵能力的极限下驾驶车辆来最大限度地减少单圈时间。解决方案自然取决于轨道的几何形状和车辆动力学。我们介绍了一种新的方法来计算赛车线使用贝叶斯优化。与基于动态规划和随机搜索的其他方法相比，我们的方法是完全数据驱动的，计算效率更高。该方法特别适用于自主赛车，其中团队可以快速计算新赛道的赛道线，然后在运动规划器和控制器的设计中利用这些信息来优化实时性能。
2020-02-12 cs.RO
