[论文解读] TUM autonomous motorsport: An autonomous racing software for the Indy Autonomous Challenge

Johannes Betz, Tobias Betz+17 more|arXiv (Cornell University)|May 31, 2022

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

本文介绍了慕尼黑工业大学（TUM）为印第安纳波利斯自主挑战赛开发的自动驾驶赛车软件套件，该套件采用模块化、基于仿真的开发流程，可在椭圆赛道上实现高速自动驾驶。该团队在印第安纳波利斯获得第一名，在拉斯维加斯获得第二名，最高速度达270 km/h，加速度达28 m/s²，通过集成感知、定位、规划与控制算法，并结合广泛的现实世界与仿真测试，展示了在车辆极限性能下的稳健表现。

ABSTRACT

For decades, motorsport has been an incubator for innovations in the automotive sector and brought forth systems like disk brakes or rearview mirrors. Autonomous racing series such as Roborace, F1Tenth, or the Indy Autonomous Challenge (IAC) are envisioned as playing a similar role within the autonomous vehicle sector, serving as a proving ground for new technology at the limits of the autonomous systems capabilities. This paper outlines the software stack and approach of the TUM Autonomous Motorsport team for their participation in the Indy Autonomous Challenge, which holds two competitions: A single-vehicle competition on the Indianapolis Motor Speedway and a passing competition at the Las Vegas Motor Speedway. Nine university teams used an identical vehicle platform: A modified Indy Lights chassis equipped with sensors, a computing platform, and actuators. All the teams developed different algorithms for object detection, localization, planning, prediction, and control of the race cars. The team from TUM placed first in Indianapolis and secured second place in Las Vegas. During the final of the passing competition, the TUM team reached speeds and accelerations close to the limit of the vehicle, peaking at around 270 km/h and 28 ms2. This paper will present details of the vehicle hardware platform, the developed algorithms, and the workflow to test and enhance the software applied during the two-year project. We derive deep insights into the autonomous vehicle's behavior at high speed and high acceleration by providing a detailed competition analysis. Based on this, we deduce a list of lessons learned and provide insights on promising areas of future work based on the real-world evaluation of the displayed concepts.

研究动机与目标

• 开发一种高性能、模块化的自动驾驶赛车软件套件，能够在赛车的物理极限下运行。
• 通过严格的仿真与现实世界测试，实现高速椭圆赛道上的安全可靠自动驾驶赛车。
• 建立可扩展、可扩展的软件开发工作流程，支持自动驾驶算法的快速迭代与验证。
• 从现实世界竞赛数据中提取可操作的见解，以指导未来自动驾驶安全性与可扩展性的研究。
• 通过将软件套件与开发流程作为公开资源分享，推动开放研究，服务于自动驾驶车辆社区。

提出的方法

• 设计基于ROS 2实现实时通信的模块化软件架构，集成感知、定位、预测、规划与控制模块。
• 基于CARLA构建高保真仿真环境，用于部署前测试与算法验证。
• 开发多阶段测试流程，结合仿真、硬件在环（HIL）测试以及在卢卡斯石油赛车场、印第安纳波利斯赛车场和拉斯维加斯赛车场的真实赛道测试。
• 采用先进的感知算法，使用YOLOv5进行目标检测，并利用学习到的运动模型进行动态障碍物预测。
• 应用非线性模型预测控制（NMPC）进行轨迹规划，实现实时优化，满足运动学与动力学约束。
• 采用混合定位方法，结合GPS/IMU推算与基于预映射赛道中心线及车道标记的地图校准。

实验结果

研究问题

• RQ1 如何开发一种模块化、经仿真验证的软件套件，以实现赛车在接近车辆物理极限速度下的自动驾驶？
• RQ2 全面的仿真与测试流程在确保高速自动驾驶赛车中的鲁棒性与安全性方面发挥何种作用？
• RQ3 在极端动态条件下（如28 m/s²加速度与270 km/h速度）下，感知、预测与控制算法如何协同工作？
• RQ4 在多车场景下扩展自动驾驶赛车面临的主要挑战是什么？如何通过软件设计与仿真加以解决？
• RQ5 从现实世界自动驾驶赛车中获得的经验教训，对公共道路部署与未来城市自动驾驶应用有何可迁移价值？

主要发现

• TUM软件套件使车辆在拉斯维加斯超车竞赛中达到270 km/h的峰值速度与28 m/s²的最大加速度，证明了其在车辆物理极限附近的运行能力。
• 该团队在印第安纳波利斯赛车场单辆赛车竞赛中获得第一名，在拉斯维加斯赛车场多车超车竞赛中获得第二名。
• 仿真驱动的开发流程显著降低了现实世界测试风险，并支持感知、预测与控制算法的迭代优化。
• 将基于NMPC的轨迹规划与实时障碍物预测相结合，实现了在高速条件下的安全且激进的超车操作。
• 基于ROS 2的模块化架构实现了高效的软件维护，并支持在不同比赛形式与车辆配置下的快速部署。
• 竞赛分析表明，对不确定性的稳健处理——尤其是多模态预测与传感器噪声——是实现高性能自动驾驶赛车的关键。