慕尼黑工大Johannes Betz：时速300公里自动驾驶赛车的技术路线与人类对决

事件概述

2026年6月2日，在ICRA 2026大会上，慕尼黑工业大学（TUM）自动驾驶实验室负责人Johannes Betz发表了题为“Autonomous Vehicles & Navigation”的演讲，系统回顾了过去八九年团队在自动驾驶赛车领域的研究历程与核心洞察。

核心技术与发现

• 技术路线选择：团队采用经典的生产级感知-规划-控制管线，而非主流端到端强化学习，并推行“一个博士生一个算法”的管理理念，确保每个模块的深度与所有权。

• 四条技术教训：

  1. 多传感器融合定位：GPS+激光雷达+毫米波雷达协同工作是高速定位基础，尤其在GPS信号拒止环境下。
  2. 三维状态估计：必须捕捉侧偏角等极限动力学特性，否则无法应对漂移等行为。
  3. 全局-局部双层规划：全局规划求解最小圈时最优控制问题（含非线性轮胎动力学等），局部规划采用Frenet坐标系下基于采样的运动规划，结合博弈论实现多车交互预测，使赛车能自主决策超车时机。团队展示了在阿布扎比亚斯码头赛道上并排超车的视频，十次中九次成功。
  4. APEX系统：名为“人类启发的主动驾驶智能”，耗时三年逆向工程人类赛车手行为。核心逻辑是：人类通过视觉、触觉、听觉感知极限，再凭记忆持续调整轨迹逼近极限。APEX整合了这些要素，使赛车在每一圈自适应优化。

• 人机对决结果：

  • 与梅赛德斯-AMG合作测试中，APEX比奔驰测试车手快2.6秒，比前DTM车手本·施奈德快1秒。
  • 与当前F1车手锦标赛排名第二的乔治·拉塞尔相比，APEX每圈慢约1.5秒。分析认为拉塞尔在复合弯道中的手动反应时间更优。
  • 在部分赛段，APEX速度已超过拉塞尔，表明系统已具备在多个赛段击败人类的能力。

值得关注

• 团队管理哲学：Betz强调“如果你想赢，关键在于合适的团队和人”，其团队已用两次联赛冠军验证这一判断。
• 工程实践细节：所有传感器标定均离线提前完成，不做在线标定；预测模型基于对手车辆通常遵循赛车线的假设，并建模其横向移动。
• 研究意义：自动驾驶赛车是集多变环境、高速交互与极小容错空间于一体的理想研究沙盒，该工作证明了经典管线在极限驾驶中的可行性与潜力。