Time-Optimal Trajectory Planning for Multi-Vehicle Racing

Institut

Professur für autonome Fahrzeugsysteme

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

[For English Version see below.]

Zeitoptimale Trajektorienplanung für Multi-Agenten-Rennen

Das autonome Fahren revolutioniert die Mobilität, indem es Sicherheit, Effizienz und Komfort auf ein neues Niveau hebt. Durch die Integration fortschrittlicher Technologien und künstlicher Intelligenz wird eine präzise Steuerung von Fahrzeugen ohne menschliches Eingreifen möglich. Eine der Schlüsseldisziplinen in diesem Bereich ist der autonome Rennsport. Ähnlich wie der klassische Motorsport treibt der Wettbewerb im autonomen Rennsport technologische Innovationen voran, indem er Fahrzeuge unter extremen und herausfordernden Bedingungen testet. Die gewonnenen Erkenntnisse fließen in die Weiterentwicklung autonomer Fahrzeuge für den Straßenverkehr ein.

Am AVS Lab forschen wir an fortschrittlichen Algorithmen zur Pfad- und Trajektorienplanung, die auf Testfahrzeugen in der Indy Autonomous Challenge und der Abu Dhabi Autonomous Racing League erprobt werden. Die Fahrzeuge erreichen Geschwindigkeiten von bis zu 280 km/h und müssen dabei sicher mit anderen Fahrzeugen interagieren. Da die offline optimierte, globale Raceline auf dem Fahrzeug nicht perfekt getrackt werden kann und sich andere Fahrzeuge auf der Rennlinie befinden können, kann eine Performancesteigerung erzielt werden, wenn diese online nachoptimiert wird.

Ziel der Arbeit:
Ziel der Arbeit ist es, einen robusten Entscheidungsalgorithmus zu entwickeln, der high-level Entscheidungen darüber treffen kann, in welchen Regionen das Optimierungsproblem nach Lösungen suchen soll. Der Fokus liegt dabei auf einer effizienten Implementierung, sodass die Gesamtrechenzeit möglichst gering bleibt. Gleichzeitig soll das robuste Konvergenzverhalten des Solvers beibehalten werden. Der Ansatz soll mit State-of-the-Art Methoden verglichen und evaluiert werden. 

Wir bieten:

• Ein spannendes und zukunftsorientiertes Forschungsumfeld
• Arbeiten mit einem hochmodernen Software-Stack für autonomes Fahren
• Möglichkeit der Veröffentlichung als wissenschaftliches Paper (bei Eignung)
• Ausarbeitung auf Deutsch oder Englisch möglich

Deine Qualifikationen:

• Hohe Eigeninitiative und kreative Problemlösungsfähigkeit
• Sehr gute Englischkenntnisse
• Fundierte Kenntnisse in Python oder C++
• Erste Erfahrungen im Bereich autonomes Fahren sind von Vorteil
• Erfahrung in der Softwareentwicklung ist wünschenswert

Die Arbeit kann ab sofort begonnen werden. Wenn das Thema dein Interesse geweckt hat, schicke einfach eine Email mit einem kurzen Anschreiben, warum dich das Thema interessiert, einem aktuellen Leistungsnachweis sowie Lebenslauf an ann-kathrin.schwehn@tum.de.

 

------------------------------------------- English Version -------------------------------------------

Time-Optimal Trajectory Planning for Multi-Vehicle Racing

Autonomous driving is revolutionizing mobility by elevating safety, efficiency, and comfort to new levels. Through the integration of advanced technologies and artificial intelligence, autonomous driving enables precise vehicle control without human intervention. One key driver of technological advancement in this area is autonomous racing. Similar to traditional motorsports, competition in autonomous racing fosters innovation and pushes technology forward by testing vehicles in extreme and challenging conditions. The insights gained from autonomous racing are directly applied to the further development of autonomous vehicles for everyday road use.

At the AVS Lab, we are developing novel algorithms for path and trajectory planning, which are tested on vehicles participating in the Indy Autonomous Challenge and the Abu Dhabi Autonomous Racing League. These vehicles reach speeds of up to 280 km/h and must safely interact with other cars on the track. As the offline optimized, global raceline cannot be tracked perfectly by the vehicle and other race cars can occupy the raceline, performance can be improved if it is re-optimized online.

Project Objective:
The objective of this thesis is to develop a robust decision-making algorithm capable of making high-level decisions about which regions the optimization problem should explore for solutions. The focus is on an efficient implementation in order to keep the overall computation time as low as possible. At the same time, the robust convergence behavior of the solver should be preserved. The approach is to be integrated in a autonomous racing software stack and compared with and evaluated against state-of-the-art methods.

We offer:

• A dynamic and future-oriented research field
• Hands-on experience with a state-of-the-art software stack for autonomous driving
• Potential for publication as a scientific paper (based on merit)
• Thesis can be written in either English or German

Your qualifications:

• Strong initiative and creative problem-solving skills
• Excellent English proficiency
• Advanced knowledge of Python or C++
• Previous experience with autonomous vehicles is an advantage
• Experience in software development is a plus

Work can begin immediately. If you are interested, simply send an email with a brief cover letter explaining what fascinates you about this topic, a current academic transcript, and a resume to ann-kathrin.schwehn@tum.de.

Möglicher Beginn

sofort

Kontakt

Ann-Kathrin Schwehn
ann-kathrin.schwehntum.de