Differentiable Optimization-Based Motion Planning for F1TENTH Autonomous Racing

Institut

Professur für autonome Fahrzeugsysteme (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

[For English Version see below.]

 

Autonomes Fahren revolutioniert die Mobilität, indem es Sicherheit, Effizienz und Komfort auf ein neues Niveau hebt. Durch die Integration fortschrittlicher Technologien und künstlicher Intelligenz ermöglicht das autonome Fahren eine präzise Fahrzeugsteuerung ohne menschliches Eingreifen. Ein wesentlicher Treiber des technologischen Fortschritts in diesem Bereich ist der autonome Rennsport. Ähnlich wie im traditionellen Motorsport fördert der Wettbewerb im autonomen Rennsport Innovationen und treibt die Technologie voran, indem Fahrzeuge unter extremen und anspruchsvollen Bedingungen getestet werden. Die Erkenntnisse aus dem autonomen Rennsport, insbesondere im Bereich hochadaptiver, lernbasierter Regelungssysteme, fließen direkt in die Weiterentwicklung autonomer Fahrzeuge für den alltäglichen Straßenverkehr ein.

Das Ziel dieser Abschlussarbeit ist die Implementierung und Evaluierung eines optimierungsbasierten Bewegungsplaners, der in einen differenzierbaren Software-Stack integriert ist. Konkret soll ein bestehendes Optimierungsproblem verwendet werde, das mit dem acados-Framework gelöst wird. Ein zentraler Schwerpunkt dieser Forschung ist der Learning-Prozess: Du nutzt eine Verlustfunktion (Loss-Funktion), um Gradienten zu berechnen und die Gewichte des Planers kontinuierlich anzupassen. Durch diesen Mechanismus lernt das System schrittweise dazu und verbessert seine Renntrajektorie über mehrere Runden hinweg. Schließlich setzt du dein entwickeltes Planungsmodul direkt auf einem autonomen F1TENTH-Rennfahrzeug ein und evaluierst es, um seine Leistungsfähigkeit und Anpassungsfähigkeit unter realen Bedingungen zu validieren.

Wir bieten:

• Ein dynamisches und zukunftsorientiertes Forschungsfeld an der Schnittstelle von Regelungstechnik und maschinellem Lernen
• Praktische Erfahrung mit modernsten differenzierbaren Software-Stacks und autonomer F1TENTH-Rennsport-Hardware
• Potenzial für die Veröffentlichung als wissenschaftliches Paper (bei entsprechender Leistung)
• Die Abschlussarbeit kann wahlweise auf Englisch oder Deutsch verfasst werden

Deine Qualifikationen:

• Hohe Eigeninitiative, analytisches Denken und kreative Problemlösungsfähigkeiten
• Sehr gute Englischkenntnisse
• Fundierte Kenntnisse in Python 
• Ein solides Grundverständnis von mathematischer Optimierung, modellprädiktiver Regelung (MPC) oder Konzepten des maschinellen Lernens
• Vorerfahrung mit dem acados-Framework, ROS2 oder autonomen Fahrzeugen ist von Vorteil

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

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, particularly in the realm of highly adaptive, learning-based control systems, are directly applied to the further development of autonomous vehicles for everyday road use.

The objective of this thesis is to implement and evaluate an optimization-based motion planner integrated within a differentiable software stack. Specifically, you will use an existing optimization problem and solve it utilizing the high-performance acados framework. A central focus of this research is the learning process: you will use a loss function to compute gradients and continuously adapt the weights of the planner. This mechanism will allow the system to progressively learn and improve its racing trajectory and control performance over multiple laps. Finally, the developed planning module will be practically deployed and evaluated on an F1TENTH autonomous racing vehicle to validate its real-world performance and adaptability.

We offer:
 

•  A dynamic and future-oriented research field at the intersection of control theory and machine learning
•  Hands-on experience with state-of-the-art differentiable software stacks and F1TENTH autonomous racing hardware
•  Potential for publication as a scientific paper (based on merit)
•  The thesis can be written in either English or German

Your qualifications:
 

•  Strong initiative, analytical thinking, and creative problem-solving skills
•  Excellent English proficiency
•  Advanced knowledge of Python (essential)
•  Solid foundational understanding of mathematical optimization, Model Predictive Control (MPC), or machine learning concepts
•  Previous experience with the acados framework, ROS2, or autonomous vehicles is an advantage

If you are interested, simply send an email with a brief cover letter about your motivation, a current academic transcript, and a resume to ann-kathrin.schwehn@tum.de or felix.jahncke@tum.de. We are looking forward to your applications! 

Tags

AVS Schwehn, AVS Jahncke, AVS Informatik

Möglicher Beginn

sofort

Kontakt

Ann-Kathrin Schwehn
ann-kathrin.schwehntum.de