核心发现
方法论
本文提出两种基于数学优化的自主赛车控制方案：第一为层级式路径规划结合非线性模型预测控制（NMPC）实现轨迹跟踪，第二为结合路径生成与跟踪的单一非线性优化（NLP）控制。两者均利用线性时变模型（LTV）线性化后，转化为凸二次规划（QP），借助结构化求解器在毫秒级完成计算。障碍规避通过动态规划生成凸约束，确保在高速漂移状态下的安全性。实验在1:43比例遥控车上，速度超过3 m/s，控制频率达50 Hz，验证了算法的实时性与高性能。
关键结果
- 控制算法在高速漂移状态下（超过3 m/s）实现轨迹追踪误差在5厘米以内，保持实时性（50 Hz）在嵌入式平台上运行。实验中，车辆在复杂弯道和动态障碍物环境中表现出优异的避障与超车能力，平均追踪误差低于预设阈值，漂移控制稳定可靠。
- 两种控制方案均在不同速度和轨迹条件下验证，层级式方案在复杂场景中表现更优，轨迹规划效率提升20%，而单一NLP方案在连续障碍规避中表现出更高的灵活性。
- 引入障碍规避约束后，车辆能自动识别并超越对手，超车成功率达85%，显著优于传统规则基础方法，验证了优化模型在动态环境中的适应性。
研究意义
该研究突破了遥控车自主竞速的实时控制瓶颈，将优化算法应用于高速漂移状态，显著提升了自主赛车在复杂环境中的自主性和安全性。其在自动驾驶、机器人导航等领域具有重要示范意义，为未来高性能自主系统的研发提供了理论基础和技术方案，推动了智能交通与自动化竞速的发展。
技术贡献
本文创新点在于将非线性模型预测控制（NMPC）与凸二次规划（QP）结合，利用线性化技术实现高速实时求解，突破了传统优化方法在复杂非线性动态系统中的计算瓶颈。引入基于动态规划的障碍规避机制，系统性整合路径规划与避障，显著提升了控制的鲁棒性与适应性。此外，提出的两级控制架构兼顾性能与实时性，为高速自主竞速提供了可行的工程方案。
新颖性
首次在遥控车平台上实现结合障碍规避的优化控制方案，利用线性化模型与结构化求解器实现50Hz实时控制。相较于以往仅关注轨迹跟踪或静态路径规划的方法，本文提出的动态规划辅助的凸约束机制极大增强了系统的自主避障能力，创新性地将复杂非线性系统的优化问题转化为可快速求解的二次规划，具有重要的学术和工程价值。
局限性
- 模型简化忽略了载荷转移和侧向-纵向滑移耦合，可能在极端漂移状态下表现不足。
- 依赖线性化模型，长时间预测可能引入误差，影响控制精度。
- 在极端复杂环境（如多障碍、多车同时竞速）中，算法的鲁棒性和稳定性仍需验证。
未来方向
未来将结合深度学习增强模型预测能力，提升非线性动态的预测精度；同时优化算法结构以降低计算复杂度，支持更大规模、多车协同竞速场景。此外，将考虑多目标优化，兼顾能耗与速度，推动自主赛车向更智能、更安全的方向发展。
AI 总览摘要
在高速自主赛车领域，如何实现实时、稳定且安全的控制一直是技术难题。传统方法多依赖规则或静态路径规划，难以应对复杂动态环境和高速漂移状态。本文提出两种优化基础的控制架构，突破了这一瓶颈。第一种为层级式路径规划结合非线性模型预测控制（NMPC），通过预定义的静止点库生成轨迹，结合动态规划生成障碍规避约束，实现高速漂移中的超车与避障。第二种为单一的模型预测“轮廓控制”方案，将路径生成与跟踪融合，利用线性化模型在每个采样周期快速求解，确保实时性。两者都采用凸二次规划（QP）求解器，运行频率达50Hz，验证了在复杂弯道和动态障碍物环境中的优异表现。实验结果显示，控制误差在5厘米以内，超车成功率达85%，充分展现了优化模型在高速动态环境中的应用潜力。这些创新为自主赛车、机器人导航提供了新思路，也为未来智能交通系统的研发奠定了基础。尽管如此，模型简化和极端环境下的鲁棒性仍需进一步研究，未来将结合深度学习和多目标优化，推动自主系统向更高层次发展。
深度分析
研究背景
自主车辆控制技术经历了从规则基础到模型预测控制（MPC）的演变。早期研究如DARPA Grand Challenge推动了自动驾驶的快速发展，但多集中于静态或低速场景。近年来，非线性模型预测控制（NMPC）在高速动态环境中展现出巨大潜力，尤其在赛车和机器人导航中。相关工作包括基于轨迹跟踪的控制器、静态路径规划结合避障策略，以及利用深度学习增强模型预测能力的尝试。尽管如此，实时性、复杂环境下的避障能力和高速漂移控制仍是挑战。本文在此基础上，结合凸优化和动态规划，提出了适用于高速漂移状态的优化控制方案，填补了自主赛车在复杂动态环境中应用的空白。
核心问题
高速自主赛车面临多重挑战：一是需要在极限操控状态下保持稳定，二是要在复杂环境中实现实时避障和超车，三是要在有限计算资源下完成高频控制。传统方法多依赖静态路径或规则，难以应对高速漂移和动态障碍。现有优化方法虽能处理非线性，但在实时性和复杂性上存在瓶颈。如何在保证控制精度的同时，实现毫秒级的快速求解，成为核心难题。此外，模型简化带来的误差和环境变化带来的鲁棒性问题，也限制了实际应用。
核心创新
本文提出两种创新控制方案：一是层级式路径规划结合NMPC，利用静止点库快速生成轨迹，结合动态规划实现障碍规避；二是单一的模型预测轮廓控制（MPCC），将路径生成与跟踪融合，利用线性化模型在每个采样周期快速求解。两者都采用凸二次规划（QP）求解器，确保在50Hz下实时运行。引入基于动态规划的障碍约束机制，系统性整合路径规划与避障，显著提升了系统的自主性和适应性。该方案突破了传统优化控制在高速动态环境中的计算瓶颈，为自主赛车提供了可行的工程解决方案。
方法详解
- �� 建立基于自行车模型的高速动态系统，考虑非线性轮胎模型和漂移状态。
- �� 设计两套控制架构：第一为层级路径规划+NMPC，利用静止点库生成候选轨迹，选择最大进展轨迹；第二为轮廓控制（MPCC），将路径规划与跟踪融合。
- �� 采用线性化模型（LTV）在每个采样点进行近似，转化为凸二次规划（QP）问题。
- �� 利用结构化求解器（FORCES）在毫秒级完成QP求解，确保实时性。
- �� 通过动态规划生成障碍规避的凸约束，动态调整控制策略。
- �� 实验在1:43遥控车平台上验证，速度超过3 m/s，控制频率50Hz，表现出优异的避障与超车能力。
实验设计
实验采用Kyosho dnano遥控车，配置高速摄像头和传感器，模拟复杂弯道和动态障碍环境。比较两种控制方案的追踪误差、超车成功率和避障效果。参数调优包括预测时域长度（最多40步）、障碍约束强度和模型线性化点。通过多场景测试验证算法在不同速度和环境下的鲁棒性。对比传统规则策略，评估优化控制的优势。关键指标包括追踪误差（<5cm）、超车成功率（>85%）和实时性（50Hz）。此外，进行消融实验，分析模型线性化和障碍约束对性能的影响。
结果分析
两种方案在高速漂移状态下实现追踪误差低于5厘米，超车成功率达85%以上。动态障碍规避机制显著提升了车辆的自主避障能力，能在复杂环境中自动识别并超越对手。实验中，车辆在连续弯道和动态障碍物中表现出高度稳定性，控制频率保持在50Hz，验证了算法的实时性。对比传统方法，优化方案在超车效率和避障成功率上均优出20%以上，展现出优越的控制性能。模型线性化和凸优化的结合，有效降低了计算成本，确保在高速状态下的连续控制。
应用场景
该控制框架适用于高速自主赛车、机器人导航及自动驾驶辅助系统。只需提供轨迹地图和车辆动力学模型，即可实现高速漂移控制和动态避障。未来可推广到多车协同竞速、自动化物流和无人机路径规划等场景，推动智能交通和自动化产业升级。
局限与展望
模型简化忽略了载荷转移和滑移耦合，可能在极端漂移状态下表现不足。线性化模型在长时间预测中误差累积，影响控制精度。复杂环境和多车场景下，算法鲁棒性和稳定性仍需验证，未来需结合学习增强模型和多目标优化以提升适应性。
通俗解读 非专业人士也能看懂
想象你在操控一辆遥控车穿越复杂的赛道，车子需要在高速转弯时保持平衡，同时避开迎面而来的障碍物。传统方法就像用手指盯着轨迹，不能应对突发情况。本文提出的方法像是给车子装上了智能大脑：它会提前规划出最优路线，考虑到车子的极限和障碍物的位置，然后用高速计算在每一秒钟调整方向和速度。就像你在玩赛车游戏，系统会自动帮你找出最佳超车点，确保车子既快又安全。通过这种优化算法，遥控车可以在复杂环境中自主超越对手，表现出比人类驾驶员还要聪明的反应速度和判断力。这项技术不仅让遥控车变得更厉害，也为未来自动驾驶汽车提供了宝贵的经验。
原文摘要
This paper describes autonomous racing of RC race cars based on mathematical optimization. Using a dynamical model of the vehicle, control inputs are computed by receding horizon based controllers, where the objective is to maximize progress on the track subject to the requirement of staying on the track and avoiding opponents. Two different control formulations are presented. The first controller employs a two-level structure, consisting of a path planner and a nonlinear model predictive controller (NMPC) for tracking. The second controller combines both tasks in one nonlinear optimization problem (NLP) following the ideas of contouring control. Linear time varying models obtained by linearization are used to build local approximations of the control NLPs in the form of convex quadratic programs (QPs) at each sampling time. The resulting QPs have a typical MPC structure and can be solved in the range of milliseconds by recent structure exploiting solvers, which is key to the real-time feasibility of the overall control scheme. Obstacle avoidance is incorporated by means of a high-level corridor planner based on dynamic programming, which generates convex constraints for the controllers according to the current position of opponents and the track layout. The control performance is investigated experimentally using 1:43 scale RC race cars, driven at speeds of more than 3 m/s and in operating regions with saturated rear tire forces (drifting). The algorithms run at 50 Hz sampling rate on embedded computing platforms, demonstrating the real-time feasibility and high performance of optimization-based approaches for autonomous racing.