Driving Context-guided Model Predictive Planning and Control for Autonomous Car Racing at the Limit and Beyond

📄 arXiv: 2609.12660v1 📥 PDF

作者: Ayoub Raji, Federico Sacco, Nicola Musiu, Marko Bertogna

分类: cs.RO, eess.SY

发布日期: 2026-09-11

备注: Accepted to IEEE/RSJ International Conference on Intelligent Robots & Systems - IROS 2026

💡 一句话要点

提出基于模型预测控制的自适应赛车规划与控制方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 自动驾驶 赛车 运动规划 动态适应

📋 核心要点

  1. 现有的自动驾驶赛车控制方法在应对复杂驾驶场景时表现不足，难以适应动态变化的驾驶环境。
  2. 论文提出了一种基于模型预测控制的自适应规划与控制框架，能够根据不同驾驶上下文动态调整控制策略。
  3. 实验结果显示，该方法在Superformula EAV-25赛车上实现了与顶尖人类驾驶员相近的圈速，展现了优越的操控能力。

📝 摘要（中文）

本文提出了一种基于模型预测控制（MPC）的运动规划与控制管道，旨在应对不同的驾驶场景，如超车、正常驾驶和反打滑。通过成本混合状态机，识别不同的驾驶上下文并选择相应的预定义权重，应用于模型预测规划（MPP）和控制模块。两种优化方案共享相同的问题表述和模型，仅在预测时域、速率、调优及开环与闭环方法上有所不同，以最大化其交互效果。该方法在全自动开放轮赛车Superformula EAV-25上进行了验证，所实现的圈速与最佳人类驾驶员的参考值相差不超过2%。结果表明，该解决方案能够在极限操控下驾驶，平稳执行超车操作，并快速应对高过度转向条件以恢复车辆稳定性。

🔬 方法详解

问题定义：本文旨在解决自动驾驶赛车在复杂驾驶场景下的运动规划与控制问题，现有方法在适应性和实时性方面存在不足。

核心思路：提出了一种基于模型预测控制（MPC）的框架，通过成本混合状态机识别驾驶上下文并动态调整控制策略，以提高赛车在不同场景下的表现。

技术框架：整体架构包括两个主要模块：模型预测规划（MPP）和模型预测控制（MPC）。MPP负责生成轨迹，而MPC则根据实时反馈调整控制输入。两者共享相同的模型和问题表述，但在时域和控制策略上有所不同。

关键创新：最大的创新在于引入成本混合状态机，能够实时识别不同的驾驶上下文并根据预定义权重调整控制策略，从而提升了系统的适应性和稳定性。

关键设计：在设计中，设置了不同的预测时域和控制速率，优化了调优参数，并在开环与闭环控制之间进行选择，以最大化控制效果。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，所提出的方法在Superformula EAV-25赛车上实现的圈速与最佳人类驾驶员的参考值相差不超过2%，展示了在极限操控和复杂场景下的优越表现，尤其在超车和高过度转向情况下的快速反应能力。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶赛车、智能交通系统和高性能车辆控制。其方法能够在复杂和动态的驾驶环境中提供更高的安全性和操控性，具有广泛的实际价值和未来影响。

📄 摘要（原文）

This paper presents a Model Predictive Control-based motion planning and control pipeline for autonomous car racing capable of adapting to different driving contexts, such as overtaking, nominal driving, and countersteering. A Cost Blending state machine manages the identification of different driving contexts and the selection of their predefined weights to be applied to the Model Predictive Planning (MPP) and Control (MPC) modules. The two optimization-based solutions share the same problem formulation and model, differing only in horizon length, rate, tuning, and in their open-loop versus closed-loop approach to maximize the effectiveness of their interaction. The work is validated on the fully autonomous open-wheel racecar Superformula EAV-25, with a lap time achieved that is within 2% of the best human driver reference. The results demonstrate the capability of the solution in driving at the limit of handling, smoothly executing overtaking maneuvers, and quickly reacting to high oversteering conditions to recover the vehicle stability.