大多數(shù)AI賽車研究停留在仿真里，這輛車是真的在賽道上撞過。

    作者丨陳淑瑜

    編輯丨岑   峰

                                                                                                               

2026年6月2日，在ICRA 2026大會(huì)上，慕尼黑工業(yè)大學(xué)（TUM）自動(dòng)駕駛實(shí)驗(yàn)室負(fù)責(zé)人Johannes Betz發(fā)表了題為“Autonomous Vehicles & Navigation ”的演講，系統(tǒng)回顧了過去八、九年其團(tuán)隊(duì)在自動(dòng)駕駛賽車領(lǐng)域的研究歷程與核心洞察。

Johannes Betz開篇即拋出一個(gè)尖銳的問題：為什么要研究自動(dòng)駕駛賽車？他的回答直指機(jī)器人學(xué)的一個(gè)根本困境：賽車天然集成了多變環(huán)境、高速交互與極小容錯(cuò)空間三個(gè)極致要素，構(gòu)成了完美的研究沙盒。

在此基礎(chǔ)上，他的團(tuán)隊(duì)選擇了一條與主流“端到端強(qiáng)化學(xué)習(xí)”截然不同的技術(shù)路徑：一套經(jīng)典的生產(chǎn)級感知-規(guī)劃-控制管線，輔以“一個(gè)博士生一個(gè)算法”的管理哲學(xué)，確保每個(gè)模塊擁有完全的技術(shù)所有權(quán)和極致的工程深度。

在軟件架構(gòu)層面，Betz提煉出四條硬核教訓(xùn)：

第一，多傳感器融合（GPS+激光雷達(dá)+毫米波雷達(dá)）是高速定位的基石，尤其是在GPS信號拒止的真實(shí)戰(zhàn)場環(huán)境中；

第二，三維狀態(tài)估計(jì)是捕捉漂移、側(cè)偏角等極限動(dòng)力學(xué)的前提，缺此則一切免談；

第三，全局-局部雙層規(guī)劃架構(gòu)，結(jié)合博弈論實(shí)現(xiàn)多車交互預(yù)測，是賽車能夠自主決策超車時(shí)機(jī)的關(guān)鍵——他展示了一段在阿布扎比亞斯碼頭賽道上完成的并排超車視頻，全程自動(dòng)駕駛，十次中有九次成功；

第四，當(dāng)經(jīng)典管線跑通之后，真正的挑戰(zhàn)來到了“如何比人類更快”。

為此，Betz 團(tuán)隊(duì)耗時(shí)三年，逆向工程了人類賽車手的行為模式，開發(fā)出名為APEX的“人類啟發(fā)的主動(dòng)駕駛智能”系統(tǒng)。

APEX的核心邏輯是：人類通過視覺、觸覺、聽覺感知極限，再憑借記憶持續(xù)調(diào)整軌跡來逼近極限，而非死守一條固定的最優(yōu)基線。這套系統(tǒng)在與梅賽德斯-AMG的合作測試中，以2.6秒的優(yōu)勢擊敗了奔馳測試車手，又以1秒優(yōu)勢戰(zhàn)勝了前DTM賽車手本·施奈德。然而在面對目前F1車手錦標(biāo)賽排名第二的喬治·拉塞爾時(shí)，APEX每圈慢了約1.5秒。

演講的最后一課出人意料地跳出了技術(shù)范疇：如果你想贏，關(guān)鍵在于合適的團(tuán)隊(duì)和人。他的團(tuán)隊(duì)已經(jīng)用兩次聯(lián)賽冠軍驗(yàn)證了這一判斷。

以下是Johannes Betz在ICRA 2026大會(huì)發(fā)表的演講精編稿，雷峰網(wǎng)(公眾號：雷峰網(wǎng))在現(xiàn)場報(bào)道，并基于原英文演講內(nèi)容進(jìn)行了不改原意的翻譯編輯：

01

為什么是賽車？

趁會(huì)場還在陸續(xù)進(jìn)場，我想了解一下在座有多少人對賽車運(yùn)動(dòng)感興趣？有誰關(guān)注賽車運(yùn)動(dòng)的收入模式？

好吧，舉手的人不算多，但我認(rèn)為現(xiàn)在很多人開始對賽車運(yùn)動(dòng)產(chǎn)生好奇，因?yàn)镹etflix在推廣方面做得非常出色。

像所有令人熱血沸騰的事物一樣，美國人熱愛賽車，也為此有所擔(dān)憂。你所看到的一切都是高阻力的對抗。這個(gè)視頻中唯一看不到的東西，是背后的價(jià)值。但你所看到的一切，完全是在自動(dòng)駕駛狀態(tài)下完成的。

這場十五分鐘的簡短演講涵蓋我過去八、九年的研究。我也歡迎大家來了解從逆向自動(dòng)駕駛賽車運(yùn)動(dòng)中汲取的經(jīng)驗(yàn)教訓(xùn)，學(xué)習(xí)如何在極限狀態(tài)下操控自動(dòng)駕駛車輛。接下來的十五分鐘，我將帶大家走一段路程，分享一些經(jīng)驗(yàn)教訓(xùn)。如果你們有興趣涉足這類研究方向，也許將來能派上用場。

但你需要回答的第一個(gè)問題就是：我為什么要做這個(gè)？既然本來也沒人來找我們做自動(dòng)駕駛賽車。那為什么還要把它放到賽道上呢？

其實(shí)，從研究的角度來看，這是一個(gè)相當(dāng)不錯(cuò)的研究設(shè)定。

首先，看左邊的賽車。對于一輛賽車來說，每次去到不同的賽道，都需要調(diào)整設(shè)置，無論是天氣變化、空氣動(dòng)力學(xué)設(shè)計(jì)的更新，車手也需要適應(yīng)這些變化。

第二點(diǎn)，看中間的影像。比如在Raidillon彎道以250公里時(shí)速超車，你從左側(cè)切到右側(cè)，需要很高的預(yù)測安全性，因?yàn)槟悴⒉恢缹κ謺?huì)做什么。

第三點(diǎn)，在右側(cè)，你看到的是消費(fèi)者車輛在摩納哥行駛。摩納哥非常特殊，因?yàn)槟抢锏娜蒎e(cuò)空間極小。如果你觀察一輛車，你會(huì)感受到它對極限的逼近。

所以當(dāng)你把這些因素結(jié)合起來，就有了一個(gè)很好的研究設(shè)定，而這正是過去幾年研究者們一直在做的事情。

我記得Davide Scaramuzza有一個(gè)很棒的Keynote教程，他們基本上證明了無人機(jī)可以比人類飛得更快。Sony AI團(tuán)隊(duì)也展示了在賽道上比人類更快，但僅限于仿真環(huán)境。還有一些研究者說車做得很快，但僅限于單車，只優(yōu)化控制器。還有一些人，如果去看全尺寸賽道，那些公路賽級別的比賽，他們有一定的研究成果，但問題是，這些成果能否真正泛化？

所以我們有這些研究者。但目前還沒有人在真實(shí)賽道賽車的高速行駛中證明自己比人類更快，并且在多車交互的場景下做到這一點(diǎn)。

02

感知-規(guī)劃-控制：300公里時(shí)速下的軟件架構(gòu)

這就是我們設(shè)立了自動(dòng)駕駛經(jīng)濟(jì)賽車聯(lián)賽的原因。

在這個(gè)聯(lián)賽中，組織方把各支隊(duì)伍召集在一起，發(fā)放一輛自動(dòng)駕駛賽車。這輛自動(dòng)駕駛賽車本質(zhì)上是一輛經(jīng)典的方程式賽車，裝配了激光雷達(dá)、毫米波雷達(dá)、攝像頭、車載控制計(jì)算機(jī)，以及實(shí)現(xiàn)自動(dòng)駕駛所需的一切設(shè)備。

這輛車交到了我和我的團(tuán)隊(duì)手中，我們面臨的挑戰(zhàn)是為它開發(fā)軟件。

我們面對的第一個(gè)大問題是：什么樣的軟件才是正確的軟件，能讓這輛車跑到時(shí)速300公里，既精準(zhǔn)又穩(wěn)??？這個(gè)問題不好回答。因?yàn)楹唵蔚拇鸢缚赡苁牵河脧?qiáng)化學(xué)習(xí)，它會(huì)自己學(xué)會(huì)。但這個(gè)答案太簡略了。

為什么我們需要一套非常穩(wěn)健的軟件架構(gòu)？因?yàn)樵隈{駛一輛價(jià)值百萬美元的車以300公里時(shí)速行駛時(shí)，每一個(gè)錯(cuò)誤都會(huì)導(dǎo)致撞車。所以我們決定采用經(jīng)典的生產(chǎn)級感知-規(guī)劃-控制管線。

所以我們決定采用經(jīng)典的生產(chǎn)級感知-規(guī)劃-控制管線。

首先，當(dāng)然是集成傳感器，需要全面的傳感器感知。

第二，讓車輛實(shí)現(xiàn)定位和物體檢測。第三，非常關(guān)鍵的是做好物體預(yù)測，尤其是交互預(yù)測。第四，將信息輸入運(yùn)動(dòng)規(guī)劃器，這基本上是賽車軟件架構(gòu)的核心。最后，控制車輛。

這就是從技術(shù)角度看我們軟件的奧秘所在。同時(shí)，從管理角度看也是如此。我和另外兩個(gè)實(shí)驗(yàn)室共同運(yùn)營這個(gè)團(tuán)隊(duì)。我們決定采取“一個(gè)博士生一個(gè)算法”的管理理念。這基本上帶來了算法的完全所有權(quán)，學(xué)生們會(huì)全力以赴，因?yàn)樗麄儾粌H要做出好的算法，還需要把所有東西組合在一起。

03

四條技術(shù)教訓(xùn)

第一課：多傳感器定位是高速賽車的基礎(chǔ)。

現(xiàn)在讓我們深入到軟件架構(gòu)中，稍微解釋一下我們做了什么。首先，當(dāng)然需要定位。我們是怎么做的？對我們來說，多傳感器融合是絕對關(guān)鍵。你看到的是，GPS、激光雷達(dá)和毫米波雷達(dá)需要全部協(xié)同工作，才能實(shí)現(xiàn)穩(wěn)健的定位。

我們在阿布扎比行駛時(shí)，由于以色列戰(zhàn)事的影響，遭遇了GPS信號拒止的情況。一直都沒有差分GPS信號。你必須進(jìn)行融合。

所以我們的第一個(gè)教訓(xùn)：多傳感器定位是高速賽車的基礎(chǔ)。

第二課：三維狀態(tài)估計(jì)不可或缺。

賽車具有非常特殊的行為動(dòng)力學(xué)。當(dāng)賽車進(jìn)入彎道傾斜路段，遇到小坡度，然后開始漂移。你在這里看到的是所謂的側(cè)偏角，這是特殊的車輛動(dòng)力學(xué)，需要通過三維狀態(tài)估計(jì)來捕捉完整的動(dòng)力學(xué)特性。

這是第二個(gè)教訓(xùn)。沒有這一點(diǎn)，就行不通。

第三課：全局規(guī)劃和局部規(guī)劃

從定位來到規(guī)劃部分。在我們的方案中，我們決定把問題拆分為全局規(guī)劃和局部規(guī)劃。

全局規(guī)劃對我們來說是一個(gè)優(yōu)化問題，實(shí)際上是一個(gè)最小圈時(shí)問題，或者說最優(yōu)控制問題，它要運(yùn)行完整的車輛行為動(dòng)力學(xué)，包括非線性輪胎動(dòng)力學(xué)、彈簧、減震器、空氣動(dòng)力學(xué)，你需要的一切。

非常重要的一點(diǎn)是，我們需要離線預(yù)先計(jì)算，同時(shí)也要在車上在線運(yùn)行，因?yàn)閷?shí)際情況會(huì)發(fā)生變化。如果賽車偏離了最優(yōu)路徑，它需要重新計(jì)算一條新路徑。這正是人類賽車手的工作方式。

為了展示這個(gè)效果，我?guī)砹艘欢味桃曨l。

這段視頻展示的是我們的賽車在阿布扎比亞斯碼頭賽道上的行駛情況。你可以看到賽車正在沿著最優(yōu)賽道時(shí)間行駛。你還能看到輪胎數(shù)值，輪胎在升溫、剎車的狀態(tài)，縱向和橫向的加速度。你基本上可以看到一切，而且系統(tǒng)能夠?qū)ζ浼右钥刂啤?/span>

此外，你會(huì)注意到一個(gè)特別之處。在座的賽車運(yùn)動(dòng)愛好者可能會(huì)老實(shí)告訴我，這看起來并不最優(yōu)。為什么不充分利用彎道？為什么離賽道外側(cè)那么遠(yuǎn)？

答案是我們在嘗試跟蹤一條最優(yōu)基線，但同時(shí)也需要一定的安全余量，以防賽車出現(xiàn)轉(zhuǎn)向過度或轉(zhuǎn)向不足。這是一個(gè)我們也需要解決的問題。

但你在這里已經(jīng)看到，這在后直道上達(dá)到了250公里每小時(shí)。這基本上是我們用這輛車在這條賽道上達(dá)到的最快速度。

但是，賽車并不是你獨(dú)自一人在賽道上就能完成的運(yùn)動(dòng)。賽車的本質(zhì)就是與他人競技。所以下一步我們需要一個(gè)局部運(yùn)動(dòng)規(guī)劃器。我們決定采用基于采樣的運(yùn)動(dòng)規(guī)劃。這意味著我們的賽車在Frenet坐標(biāo)系中沿縱向和橫向采樣軌跡，然后通過代價(jià)函數(shù)結(jié)合長距離遞歸可行性進(jìn)行評估。我們的計(jì)算范圍是100米。

第四課：帶交互的長距離運(yùn)動(dòng)規(guī)劃

最后，也是最有意思的部分，我們需要結(jié)合博弈論來實(shí)現(xiàn)交互。這就是系統(tǒng)在線計(jì)算最優(yōu)軌跡的方式。

現(xiàn)在你看到的視頻是我們的賽車在同一條賽道上，但前方有一輛紅色的對手車。你基本上能看到正在計(jì)算的軌跡。請注意，因?yàn)楝F(xiàn)在我們的賽車需要自行決定什么時(shí)候是超車的好時(shí)機(jī)，以及如何超車。

現(xiàn)在仔細(xì)看。我們的賽車在五號彎向賽道外側(cè)稍稍移動(dòng)。然后開始切回內(nèi)側(cè)。因?yàn)楝F(xiàn)在我們的賽車正在后直道上加速，并決定執(zhí)行超車動(dòng)作。

因?yàn)槌噭?dòng)作當(dāng)然需要一點(diǎn)時(shí)間。我們的局部規(guī)劃器決定恰好在這個(gè)彎道執(zhí)行超車。于是出現(xiàn)了一個(gè)并排緊貼的超車動(dòng)作。你所看到的一切，完全是自動(dòng)駕駛完成的。

為了再次展示這一點(diǎn)，這里還有一段視頻，很好地捕捉到了這個(gè)行為。我還要說的是，因?yàn)槲覀兩硖幯芯可鐓^(qū)，這個(gè)動(dòng)作十次中有九次能成功，第十次很可能導(dǎo)致撞車。

所以第四課：帶交互的長距離運(yùn)動(dòng)規(guī)劃是關(guān)鍵。沒有它，你的賽車永遠(yuǎn)不會(huì)有這樣的動(dòng)作，永遠(yuǎn)無法進(jìn)行交互，也永遠(yuǎn)無法超越其他車輛。

04

APEX：人類啟發(fā)的主動(dòng)駕駛智能

說到目前為止，這些內(nèi)容很多人已經(jīng)知道了——經(jīng)典的感知-規(guī)劃-控制。但我們真正想做的是比人類更快。

誰能比真正的人類冠軍更快呢？我們從無人機(jī)競速領(lǐng)域已經(jīng)知道這一點(diǎn)。沒錯(cuò)?；蛘哒f，從AlphaGo下圍棋、IBM Watson、深藍(lán)下國際象棋，我們都知道這一點(diǎn)。

唯一的問題是，在汽車駕駛領(lǐng)域，我們不是在和一個(gè)超級人類對話，我們是在和眾多超級人類對話。因?yàn)檫@些人從很小的時(shí)候就在學(xué)習(xí)如何駕駛賽車了。

舉個(gè)例子，路易斯·漢密爾頓不僅是一位七屆世界冠軍，他四十歲了仍然在F1賽場上競技。所以你要戰(zhàn)勝的是經(jīng)驗(yàn)。

因此，我和我的一位博士生花了三年時(shí)間，來破譯人類究竟是如何把賽車開得那么快的。

你看到的是我們的最新研究，叫做“人類啟發(fā)的主動(dòng)駕駛智能”。

我們發(fā)現(xiàn)，人類首先通過視覺、觸覺和聽覺來感知極限。然后通過記憶和不斷調(diào)整軌跡來逼近極限。這一點(diǎn)非常新穎。因?yàn)橥ǔ４蠹視?huì)認(rèn)為有一條最優(yōu)基線，跟蹤它就行了。但是當(dāng)動(dòng)力學(xué)發(fā)生變化、偏離基線時(shí)，你必須改變軌跡。

我們把所有這些整合到一個(gè)叫APEX的軟件中。你現(xiàn)在看到的這個(gè)軟件，不屬于運(yùn)動(dòng)規(guī)劃器，也不屬于控制器。如我所說，這是一個(gè)新穎的軟件，把所有這些要素組合在一起。

為了證明它確實(shí)有效，我們把它部署到一輛研究車上，這是與梅賽德斯-AMG合作的成果。你現(xiàn)在看到的，特別是你現(xiàn)在聽到的，和你之前看到的都不太一樣。

現(xiàn)在，你聽到了輪胎的聲音。只有在軟件實(shí)時(shí)自適應(yīng)調(diào)整的情況下，這種輪胎聲才會(huì)出現(xiàn)。每一個(gè)彎道、每一個(gè)彎角、每一圈，這輛車都在變得越來越快，直到達(dá)到APEX的頂點(diǎn)，軟件與車輛動(dòng)力學(xué)合二為一，實(shí)現(xiàn)了這樣的圈速。

05

人與機(jī)器的對決

現(xiàn)在只剩下一個(gè)問題：我們能用這輛車比真正的人類更快嗎？我想說，我們可以。

因?yàn)槲覀儼l(fā)現(xiàn)，橙色標(biāo)注的這位是梅賽德斯的一位測試車手。這個(gè)人每天都在駕駛賽車。我們比他快了2.6秒。所以我們的軟件戰(zhàn)勝了人類。

但他是測試車手。所以我們也邀請了藍(lán)色標(biāo)注的這位。很多人可能不認(rèn)識(shí)他，你可以搜索一下。他叫本·施奈德，曾是德國DTM賽車手，也是梅賽德斯的測試車手。我們讓他坐進(jìn)車?yán)?，我們比他快了一秒?/span>

所以基本上，我們能用這輛車戰(zhàn)勝人類。

但當(dāng)然，我們想和最強(qiáng)的車手較量。于是我們邀請了一位叫喬治·拉塞爾的人。他目前排在F1車手錦標(biāo)賽的第二位。

很遺憾，我們比他慢。但這沒關(guān)系。這就是研究。瞄準(zhǔn)目標(biāo)去嘗試，雖然沒有實(shí)現(xiàn)。喬治·拉塞爾比我們每圈快大約1.5秒，這背后有幾個(gè)原因和經(jīng)驗(yàn)教訓(xùn)。

關(guān)鍵原因在于，他的手動(dòng)駕駛操作得比我們更快一點(diǎn)。他的反應(yīng)時(shí)間，尤其是在復(fù)合彎道中，比我們更優(yōu)。

但我想用一張圖來結(jié)束這次演講。

你在綠色區(qū)域看到的，都是我們的賽車比喬治更快的賽段。這意味著，我們知道如何在賽道的多個(gè)部分擊敗他。但我們還有很多需要弄清楚的地方。

站在這里，我實(shí)際上不是站在巨人的肩膀上，而是站在我團(tuán)隊(duì)的肩膀上。因?yàn)槲抑皼]有告訴大家的是，我們這個(gè)團(tuán)隊(duì)實(shí)際上贏得了兩次比賽。

所以最后一課，不是技術(shù)層面的。如果你想贏，關(guān)鍵在于合適的團(tuán)隊(duì)和人。

06

Q&A 問答環(huán)節(jié)

聽眾提問： 你之前展示了真實(shí)賽道上的視頻，但在優(yōu)化系統(tǒng)的過程中我們沒有看到超車動(dòng)作。你是否考慮了其他車手的決策行為？他們不只是動(dòng)態(tài)障礙物，也有自己的決策。

Johannes Betz： 是的，完全正確。我必須誠實(shí)地說，賽車運(yùn)動(dòng)中總是有規(guī)則。在這種情況中，比如另一輛車必須保持在賽道外側(cè)、對方不能突然切到我們前面，諸如此類的情況。如果他們失去了彎心權(quán)，對方車輛就會(huì)這么做。

類似的問題，我相信有很多聰明人在研究，交互主要來自我們的預(yù)測模型，用于預(yù)判其他車輛的行為。

實(shí)際上，在某些時(shí)刻這還挺容易的，因?yàn)橘惖郎峡臻g不大。你總是可以假設(shè)對方車輛在跑一條賽車線。

但是交互，比如對方車輛向左或向右移動(dòng)時(shí)，當(dāng)然需要建模，而這會(huì)影響我們的運(yùn)動(dòng)規(guī)劃器。否則賽車就不會(huì)做出回應(yīng)。

聽眾提問： 我看到你提到了APEX，我知道也有其他人在做相關(guān)研究。我想了解一下你們的學(xué)習(xí)機(jī)制是什么？是強(qiáng)化學(xué)習(xí)，還是什么概念？它是如何與控制算法互動(dòng)的？

Johannes Betz：其他人也在用類似的方法。但對我們來說，目標(biāo)是超越人類，我記得Dominic在早上的演講中說過這一點(diǎn)，他在另一場關(guān)于無人機(jī)競速的演講中也提到過。復(fù)制人類，然后超越。這正是我們試圖弄清楚的事情。

所以我們建模的基礎(chǔ)是：首先，理解人類如何處理，將其捕捉為軟件，然后超越。

具體來說，各個(gè)組件從簡單的啟發(fā)式方法開始，捕捉輪胎狀態(tài)，捕捉動(dòng)力學(xué)，然后納入學(xué)習(xí)部分。這可以從簡單的機(jī)器學(xué)習(xí)開始。我們也在嘗試用強(qiáng)化學(xué)習(xí)做實(shí)驗(yàn)。我認(rèn)為這是一個(gè)很好的方向。

但目前，我們采用的是簡單的建模方式，將所有要素組合在一起，然后得出一個(gè)KPI，讓我們的車能夠更快地行駛。

所以我會(huì)說，我們的方法是逆向工程。了解人類是如何做到的，然后用機(jī)器人學(xué)社區(qū)所擁有的技術(shù)，讓賽車真正地去執(zhí)行。

聽眾提問： 你提到多傳感器融合對你們的系統(tǒng)至關(guān)重要。要實(shí)現(xiàn)精確的多傳感器融合，就需要多傳感器標(biāo)定。我想問你的是，你們在賽車上的標(biāo)定方法是怎樣的？

Johannes Betz： 我們有一個(gè)工程團(tuán)隊(duì)專門處理各種標(biāo)定工作。我們不做在線標(biāo)定，這非常重要。所有標(biāo)定都是離線、提前完成的，傳感器到傳感器之間的標(biāo)定。對我們來說，這種準(zhǔn)備工作足以在賽道上進(jìn)行比賽。

我們當(dāng)然也需要多次重新標(biāo)定賽車，特別是剛出廠時(shí)懸掛系統(tǒng)非常僵硬。但我們在標(biāo)定方面沒有遇到太多問題。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。