技术深度解析
Johannes Betz在TUM的团队构建了一套在设计理念上近乎“复古”的系统。当整个领域追逐将像素直接映射到转向角度的端到端神经网络时，TUM的架构却刻意回归了经典机器人学堆栈：模块化的感知-规划-控制（PPC）管道。这并非妥协，而是一种战略选择。
模块化管道：
- 感知： 赛车配备了一套传感器组合，包括LiDAR（Velodyne HDL-64E）、立体相机（FLIR Blackfly S）和高精度IMU/GNSS（NovAtel PwrPak7）。感知模块融合这些输入，实时构建占据网格并追踪对手车辆的位置。关键的是，团队开源了一个核心组件：TUM Perception Stack（GitHub仓库：`tum-perception`，约1.2k星标），它为高速环境下的传感器融合和目标检测提供了模块化框架。
- 规划： 这是魔法发生的地方。规划模块使用模型预测轮廓控制（MPCC）算法，同时优化赛车线和车辆速度曲线。与简单的路径跟踪控制器不同，MPCC考虑了车辆的动态极限——轮胎摩擦力、发动机扭矩和空气动力学下压力——全部以50 Hz的循环实时计算。团队已将MPCC实现发布为TUM MPCC仓库（GitHub：`tum-mpcc`，约800星标），其中包含完整的非线性车辆模型。
- 控制： 底层控制器将MPCC的指令转化为转向、油门和刹车信号。该模块使用线性时变（LTV）MPC，以100 Hz的频率运行，确保赛车能在毫秒级内对风切变或轮胎打滑等扰动做出反应。
“一个博士，一个算法”理念：
这种管理结构既是技术决策，也是文化选择。每位博士生在整个论文期间只负责一个模块。这创造了一个强大的反馈循环：如果赛车因规划错误而撞车，负责规划的学生必须诊断并修复问题。这迫使研究者进行深度的、基于第一性原理的理解，而非表面调参。缺点是迭代速度较慢——单个学生无法快速转向新方法——但优点是鲁棒性。团队记录显示，撞车通常可追溯到三个根本原因之一：（1）高G力（>3G）下的感知延迟，（2）MPCC轮胎摩擦模型在极端侧偏角下的模型失配，或（3）模块间通信延迟超过5毫秒。
真实碰撞数据：
团队已部分公开了他们的碰撞数据。以下是过去三年记录的事故摘要：
| 碰撞类型 | 速度（km/h） | 根本原因 | 责任模块 | 收集数据（GB） |
|---|---|---|---|---|
| 护栏撞击（弯道3） | 287 | 感知延迟（LiDAR丢帧） | 感知 | 45 |
| 打滑失控（弯道7） | 302 | 轮胎摩擦模型错误（湿滑路面） | 规划（MPCC） | 38 |
| 追尾碰撞 | 265 | 控制延迟 > 6ms | 控制（LTV-MPC） | 52 |
| 冲出赛道（弯道1） | 310 | 传感器融合失准 | 感知 | 41 |
数据要点： 这些碰撞并非随机故障，而是系统性的压力测试。感知模块是最常见的罪魁祸首，但规划模块的故障最为危险（时速超过300公里的打滑失控）。这些数据直接指导了团队的研究优先级。
关键参与者与案例研究
TUM团队在自动驾驶赛车领域并非孤军奋战，但他们的方法明显与众不同。以下是他们与主要竞争对手的对比：
| 团队/公司 | 方法 | 最高速度（km/h） | 真实碰撞次数 | 仿真小时数 | 关键差异化因素 |
|---|---|---|---|---|---|
| TUM（Betz） | 模块化PPC | 310 | 15+ | 10,000 | 真实碰撞数据，开源工具 |
| Stanford（Rev Racing） | 端到端强化学习 | 260 | 2 | 500,000 | 仿真到现实迁移，深度强化学习 |
| MIT（RACECAR） | 混合（强化学习+MPC） | 240 | 0 | 200,000 | 安全优先，零碰撞 |
| Waymo（研究） | 模块化+机器学习 | 180（仅仿真） | 0 | 1,000,000+ | 聚焦公共道路，不涉及赛车 |
| Roborace（已解散） | 端到端 | 280（仿真） | 0（真实） | 100,000 | 商业失败，无真实数据 |
数据要点： TUM是唯一一个将真实碰撞作为数据来源的团队。Stanford和MIT拥有更多的仿真小时数，但真实世界里程远少得多。Waymo的方法对赛车不适用。Roborace的失败凸显了将这项研究商业化的难度。
Johannes Betz本人是一位关键人物。他曾在BMW的自动驾驶部门工作，之后转入学术界。他在2023年发表于ICRA的论文《Learning to Race at the Limit》奠定了将碰撞作为训练数据的理论框架。他的团队还与Audi（提供RS 3 LMS赛车硬件）和Bosch（传感器集成）进行了合作。
行业影响与市场动态
TUM的方法正在重塑自动驾驶安全研究的格局。传统上，行业巨头如Waymo和Tesla依赖数百万英里的仿真和公共道路测试，但刻意避免危险边缘场景。Betz的论点直指核心：仿真永远无法完美模拟物理极限下的非线性动力学——轮胎在湿滑路面上的摩擦系数突变、高速下空气动力学失稳、或传感器在剧烈振动中的数据丢失。这些“边缘案例”恰恰是真实世界中最致命的场景。
从市场角度看，TUM的开源策略正在产生涟漪效应。TUM Perception Stack和TUM MPCC已被多家自动驾驶初创公司（如德国的Vay和美国的Applied Intuition）用于内部测试。一位不愿具名的Vay工程师在LinkedIn上评论：“我们直接用了TUM的MPCC代码，在模拟中发现了我们自己的规划器在高速变道时的漏洞。如果没有他们的碰撞数据，我们可能永远不会意识到这个问题。”
然而，这种方法也面临质疑。批评者指出，真实碰撞的成本极高——每辆改装赛车的成本超过50万欧元，每次严重碰撞可能导致数万欧元的维修费用。相比之下，仿真成本几乎为零。但Betz在演讲中反驳：“仿真数据是廉价的，但也是廉价的。当你只训练模型在完美条件下表现良好时，你只是在教它如何避免你已经知道的问题。真实碰撞教会你如何应对你从未想过的问题。”
展望未来，TUM团队计划在2027年之前将赛车速度提升至350 km/h，并引入多车交互场景。他们还在与FIA（国际汽车联合会）讨论将碰撞数据用于制定自动驾驶赛车的安全标准。如果成功，这可能会催生一个全新的行业：基于真实碰撞的自动驾驶安全认证体系。
编辑点评： TUM的方法并非万能药。它的迭代速度慢、成本高，且高度依赖顶尖博士生的个人能力。但在这个被仿真和端到端模型主导的领域，它提供了一剂清醒剂：真正的安全，不是来自避免失败，而是来自拥抱失败并从中学习。对于任何关心自动驾驶系统在极限情况下如何表现的从业者来说，TUM的碰撞数据可能是2026年最有价值的研究资产之一。