极限工况下的轨迹规划与控制：基于 RoboRacer 平台的开放实验基准
机器人学
2026-05-20 v1
摘要
我们提出一个模块化框架，用于在高加速度机动中基准测试新的和现有的轨迹规划与控制方法，将自动驾驶推向极限。我们的框架包括时间最优赛道线生成、在线时间最优速度重规划、几何路径跟踪控制器，以及一个用于学习转向控制逆动力学的新型模型结构化神经网络（MS-NN）。我们在 1:10 比例的 RoboRacer 平台上部署该框架，使用两条赛道。通过对保守和激进赛道线进行多项消融研究，我们研究了单个模块及其组合的性能。我们表明，我们的 MS-NN 显著提高了跟踪精度，减少了转向振荡，并且具有物理可解释性。此外，在线速度重规划通过补偿执行误差缩短了单圈时间，并使车辆能够安全地达到更高的速度和加速度。为支持未来研究，我们的代码、数据集、视频和结果已在 https://roboracer-benchmark.github.io/planning_control_benchmark/ 上公开。
引用
@article{arxiv.2605.19881,
title = {Trajectory Planning and Control near the Limits: an Open Experimental Benchmark on the RoboRacer Platform},
author = {Mattia Piccinini and Patrick Zambiasi and Aniello Mungiello and Mattia Piazza and Felix Jahncke and Johannnes Betz},
journal= {arXiv preprint arXiv:2605.19881},
year = {2026}
}
备注
Accepted - 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC)