💻 computer science

Safe Overtaking for Autonomous Racing Using Hierarchical Optimization and Learning-Based Control

Dit artikel stelt een hiërarchisch inhaalraamwerk voor autonoom racen voor dat een hoogwaardig Mixed-Integer Quadratic Program voor manoeuvreselectie combineert met een niet-lineaire Model Predictive Control-controller die wordt verbeterd door een reinforcement learning-beleid om veiligheidsbarrière-constraints adaptief af te stemmen, waardoor robuuste veiligheid-prestatie-afwegingen worden bereikt over variërende omstandigheden op het circuit zonder handmatige afstemming.

Oorspronkelijke auteurs: Hassan Jardali, Kai Yin, Lantao Liu

Gepubliceerd 2026-07-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hassan Jardali, Kai Yin, Lantao Liu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin robots niet alleen strikte regels volgen om niet tegen dingen aan te botsen, maar ook echt tegen elkaar strijden op een razendsnel tempo. Dit is de opwindende, risicovolle arena van autonoom racen. In tegen tegenstelling tot een zelfrijdende auto op een snelweg, die prioriteit geeft aan een soepele, comfortabele rit en strikte naleving van de verkeersregels, moet een raceroënt op de absolute grens van de grip van zijn banden dansen om te winnen. Het is alsof je probeert te fietsen op volle snelheid terwijl je jongleert, waarbij het doel is om zo snel mogelijk te zijn zonder te crashen. De grootste uitdaging in deze sport is inhalen: hoe druk je een rivaal voorbij zonder hem te raken of uit te glijden? Om dit op te lossen, gebruiken wetenschappers een speciaal soort "veiligheidsnet" genaamd een Control Barrier Function (CBF). Denk hierbij aan een onzichtbare, rekbare bubbel rond de auto die zegt: "Je kunt deze snelheid aanhouden, maar als je dichter bij de rand komt, moet je afremmen." Het lastige deel is dat als deze veiligheidsbubbel te stijf is, de auto een lafaard wordt en weigert om iemand in te halen. Als hij te los is, crasht de auto. De grote vraag is: hoe maak je deze veiligheidsbubbel slim genoeg om te weten wanneer hij strak en wanneer hij los moet zijn, terwijl de race gaande is?

Dit artikel introduceert een slimme nieuwe manier om raceroënts te leren hoe ze veilig en agressief kunnen inhalen. De auteurs, Hassan Jardali, Kai Yin en Lantao Liu, stellen een "hiërarchisch" systeem voor, wat vergelijkbaar is met het geven van een brein aan de robot met twee duidelijke lagen van denken. De eerste laag is de "strateeg". Deze kijkt naar de race en neemt grote, discrete beslissingen, zoals "Ik zal links inhalen" of "Ik zal rechts inhalen". Het gebruikt een wiskundig hulpmiddel genaamd Mixed-Integer Quadratic Programming (MIQP) om dit puzzelstukje op te lossen, wat in feite de beste route door het verkeer kiest voordat de auto überhaupt begint te bewegen. De tweede laag is de "piloot". Zodra de strateeg een kant heeft gekozen, gebruikt de piloot een geavanceerde controller genomd Model Predictive Control (MPC) om de auto daadwerkelijk te besturen, waarbij ervoor wordt gezorgd dat hij binnen de wetten van de fysica blijft en niet tegen de muren botst.

De auteurs merkten echter een probleem op met hoe deze veiligheidsbubbels gewoonlijk werken. Traditioneel wordt de "stijfheid" van de veiligheidsbubbel door een menselijke ingenieur ingesteld op een vast getal. Dit is als het rijden in een auto met cruise control die nooit zijn snelheidslimiet aanpast, ongeacht of je op een rechte snelweg rijdt of in een scherpe bocht. Het artikel betoogt dat deze vaste aanpak te rigide is; het dwingt de auto vaak om overdreven voorzichtig te zijn, waardoor geweldige kansen om in te halen worden gemist, of het vereist constante handmatige aanpassingen voor elk afzonderlijk circuit. Om dit op te lossen, voegde het team een derde ingrediënt toe: een "coach" aangedreven door Reinforcement Learning (RL). Deze coach kijkt tijdens de race in realtime mee en past de stijfheid van de veiligheidsbubbel direct aan. Als de auto ver van de tegenstander is, maakt de coach de bubbel losser om de auto agressief te laten zijn. Als de auto vlak naast een rivaal rijdt, maakt de coach de bubbel strakker om de veiligheid te waarborgen.

De onderzoekers testten dit drieledige systeem in computersimulaties op vier verschillende beroemde racecircuits, waaronder de Indianapolis Motor Speedway en Laguna Seca. Ze ontdekten dat geen enkele vaste instelling voor de veiligheidsbubbel goed werkte op alle circuits; een instelling die perfect was voor het ene circuit, was verschrikkelijk voor het andere. In tegenstelling hiertoe leerde hun adaptieve "coach" om de veiligheidsinstellingen automatisch aan te passen. In deze simulaties bereikte de adaptieve strategie de hoogste algehele succesratio van 67%, wat betekent dat de auto de race vaker zonder te crashen voltooide dan de vaste instellingen. Het slaagde er ook in om meer ronden te voltooien en meer inhaalmanoeuvres uit te voeren zonder dat er voor elk nieuw circuit opnieuw afgesteld hoefde te worden.

Om te bewijzen dat dit niet slechts een computertruc was, bouwde het team ook een kleinere, op schaal gebouwde racewagen en testte het systeem in de echte wereld. Ze gebruikten een virtuele "ghost" tegenstander om een race te simuleren. De resultaten lieten zien dat het systeem snel genoeg kon draaien om de bewegingen van de auto bij te houden, waarbij beslissingen in milliseconden werden genomen. De experimenten bevestigden dat de hiërarchische aanpak — het scheiden van de grote beslissing van waar te inhalen van de gedetailleerde controle van hoe te rijden — cruciaal was. Toen ze probeerden de "strateeg"-laag te verwijderen en de "piloot" zelf de kant van de inhaalmanoeuvre lieten bepalen, raakte de auto in de war, kwam hij in lussen terecht en crasste hij veel vaker.

Kortom, het artikel suggereert dat voor autonoom racen werkelijk competitief en veilig te zijn, robots een teamaanpak nodig hebben: een strateeg om de juiste baan te kiezen, een piloot om het rijden te verzorgen, en een slimme coach om de veiligheidsregels in realtime aan te passen. Hoewel het systeem nog niet perfect is (het leunt nog steeds op enkele vereenvoudigingen over hoe tegenstanders bewegen), laten de resultaten zien dat het laten leren van een robot om zijn eigen veiligheidsmarges af te stemmen een veel beter idee is dan het vooraf proberen te raden van de perfecte instelling. Dit werk, geaccepteerd voor de 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems, opent de deur naar robots die niet alleen veilig kunnen racen, maar ook met de durf en aanpassingsvermogen van een menselijke kampioen.

Technische Samenvatting: Veilig inhalen voor autonoom racen middels hiërarchische optimalisatie en leergestuurde controle

Probleemstelling
Autonoom racen vereist dat agenten opereren op de grenzen van voertuigbeheersing om rondetijden te minimaliseren terwijl botsingsvermijding gegarandeerd wordt. Inhalen vormt een kritieke uitdaging waarbij competitieve prestaties en veiligheid in balans moeten worden gebracht onder nietlineaire dynamica en real-time beperkingen. Hoewel Model Predictive Control (MPC) gecombineerd met Control Barrier Functions (CBF's) een principieel mechanisme biedt voor het certificeren van de voorwaartse invariantie van veilige verzamelingen, vertrouwen standaardimplementaties vaak op discrete-time CBF-formuleringen met een vaste vervalconstante (fixed-decay). De auteurs stellen dat deze fixed-decay benaderingen te conservatief worden in interactieve racescenario's. Door veiligheid lokaal in elk tijdstap af te dwingen zonder expliciet bewustzijn van manoeuvres op de lange termijn, kunnen vaste parameters dynamisch herstelbare toestanden voortijdig uitsluiten, wat de prestaties bij het inhalen beperkt en handmatige afstemming voor verschillende circuits noodzakelijk maakt.

Methodologie
Het artikel stelt een hiërarchisch inhaalraamwerk voor dat de besluitvorming op manoeuvre-niveau expliciet scheidt van de veiligheid-gecertificeerde trajectcontrole. De architectuur bestaat uit drie primaire componenten:

Hoog-niveau Discrete Planning (MIQP): Een Mixed-Integer Quadratic Program (MIQP) lost het combinatorische probleem van de topologiekeuze bij het inhalen op (bijv. links of rechts passeren). Werkend in het Frenet-frame, selecteert de MIQP een haalbare inhaalzijde en genereert een vloeiend lateraal referentietraject. Deze laag isoleert de niet-convexiteit van de manoeuvrekeuze van de continue trajectoptimalisatie, waardoor lokale minima en oscillerend gedrag worden voorkomen die vaak voorkomen bij puur continue planners.
Laag-niveau Trajectcontrole (MPC-DCBF): Een nietlineaire MPC, geformuleerd in het Frenet-frame, volgt het door de MIQP gegenereerde referentietraject. Het handhaaft voertuigdynamica (gemodelleerd via een kinematisch fietsmodel) en actuatorlimieten. Veiligheid wordt gegarandeerd door ingebedde discrete-time Control Barrier Function (DCBF) restricties, die de voorwaartse invariantie van een snelheid-bewuste botsingsvermijdingsset afdwingen. Om recursieve haalbaarheid te garanderen, worden deze restricties geïmplementeerd als soft constraints met slack-variabelen.
Adaptieve Veiligheidsmodulatie (RL): Om de gevoeligheid van fixed-decay CBF's te mitigeren, past een Reinforcement Learning (RL) beleid de DCBF vervalparameter ( $\gamma$ ) online aan. Met behulp van het Policy-optimization via Adaptive Smooth Tchebycheff Attention (PASTA) framework leert de agent $\gamma$ te moduleren op basis van context (bijv. relatieve snelheid, afstand tussen voertuigen en trackgeometrie). Dit stelt het systeem in staat om veiligheidsmarges dynamisch aan te passen—conservatiever opereren tijdens nauwe interacties en agressiever wanneer veilig—zonder direct de voertuiginputs te besturen of de onderliggende structuur van de veiligheidsrestrictie te wijzigen.

Belangrijkste Bijdragen

Verenigde Hiërarchische Architectuur: De integratie van hoog-niveau MIQP voor discrete homotopie-selectie met laag-niveau MPC-DCBF controle. Deze decompositie behandelt niet-convexiteit op het beslissingsniveau terwijl dynamische haalbaarheid en formele veiligheidscertificering op het controleniveau behouden blijven.
RL-gebaseerde Parameteradaptatie: Een mechanisme voor de online adaptatie van de discrete-time CBF vervalparameter. Dit introduceert context-afhankelijke veiligheidsmodulatie, waardoor conservatisme wordt verminderd terwijl de wiskundige structuur van de veiligheidsrestricties behouden blijft.
Empirische Validatie: Uitgebreide simulaties en geschaalde hardware-experimenten tonen aan dat geen enkele vaste vervalparameter uniform sterke prestaties bereikt over diverse circuits, terwijl de adaptieve strategie een superieure geaggregeerde succesratio behaalt zonder handmatige afstemming per circuit.

Experimentele Resultaten
Het raamwerk werd geëvalueerd in een aangepaste Python-simulatieomgeving met een nietlineair kinematisch fietsmodel over vier circuits: Indianapolis Motor Speedway (IMS), Kentucky Speedway (KS), Laguna Seca (LS) en Monza.

Prestaties: Het adaptieve beleid, uitsluitend getraind op LS, behaalde de hoogste geaggregeerde succesratio (67%) over alle circuits, waarmee het alle fixed- $\gamma$ configuraties versloeg. Zo behaalde de adaptieve strategie op IMS een succesratio van 72%, vergeleken met een maximum van 68% voor de beste fixed $\gamma$ (0.70).
Robuustheid: Fixed decay parameters vertoonden een hoge gevoeligheid voor de geometrie van het circuit; een parameter die optimaal was voor het ene circuit, leidde vaak tot catastrofale fouten op een ander circuit. De adaptieve strategie behield competitieve prestaties en veiligheid zonder handmatige afstemming.
Ablatieonderzoek: Het verwijderen van de MIQP-laag resulteerde in een significante degradatie van de prestaties (bijv. een daling van de succesratio van 50% naar 20% op LS voor de adaptieve strategie), wat bevestigt dat de hiërarchische decompositie cruciaal is voor het oplossen van discrete zijde-selectie beslissingen in niet-convexe omgevingen.
Real-time Haalbaarheid: Computationele profilering op een Intel i7-12700H CPU toonde aan dat de totale latentie (MPC: ~1.6ms, MIQP: ~5.5ms, RL: ~0.8ms) ruim binnen de 20ms control cycle (50 Hz) blijft.
Hardware: Geschaalde hardware-experimenten op een F1TENTH-platform met een virtuele tegenstander toonden de inzetbaarheid van het raamwerk aan onder reële sensor- en actuatorbeperkingen.

Betekenis en Claims
Het artikel beweert dat het voorgestelde hiërarchische raamwerk effectief de concurrerende doelstellingen van veiligheid en competitiviteit in multi-vehicle racing in evenwicht brengt. Door combinatorische manoeuvrekeuze te ontkoppelen van continue controle en een adaptief mechanisme te gebruiken voor veiligheidsmarges, bereikt het systeem een robuustheid tegen omgevingsvariaties die fixed-parameter benaderingen niet kunnen evenaren. De auteurs benadrukken dat deze aanpak "context-afhankelijke modulatie van veiligheidsmarges" mogelijk maakt zonder de formele garanties van CBF's op te offeren. De conclusie is dat, hoewel veiligheidsgaranties rusten op de aanname van inactieve slack-variabelen in de soft-formulering, de adaptieve strategie de praktische toepasbaarheid van MPC-CBF controllers in dynamische, interactieve racescenario's aanzienlijk verbetert. De implementatie is als open source vrijgegeven ter ondersteuning van reproduceerbaarheid.

Meer zoals dit