Learning the Driver: Adaptive Racing Lines and Braking Strategies for a Virtual Race Engineer

Institut

Professur für autonome Fahrzeugsysteme (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

[For English Version see below.]

Den Fahrer verstehen: Adaptive Ideallinien und Bremsstrategien für einen virtuellen Renningenieur

Schnelle und konstante Rundenzeiten erfordern ein präzises Zusammenspiel von Ideallinie, Bremspunkten und Fahrzeugbeherrschung. Im traditionellen Motorsport unterstützen erfahrene Fahrcoaches diesen Lernprozess, indem sie das Fahrverhalten analysieren und ihre Empfehlungen an die individuellen Fähigkeiten anpassen. Digitale Coaching-Systeme eröffnen die Möglichkeit, diese Unterstützung direkt im Fahrzeug bereitzustellen. Eine zentrale Herausforderung besteht darin, Empfehlungen zu erzeugen, die das Leistungspotenzial des Fahrzeugs berücksichtigen und gleichzeitig für den jeweiligen Fahrer umsetzbar sind.

Am AVS Lab entwickeln wir neuartige Algorithmen für die Pfad- und Trajektorienplanung, die auf Fahrzeugen getestet werden, die an der Indy Autonomous Challenge und der Abu Dhabi Autonomous Racing League teilnehmen. Diese Fahrzeuge erreichen Geschwindigkeiten von bis zu 280 km/h und müssen sicher mit anderen Autos auf der Strecke interagieren. In dieser Arbeit sollen Methoden aus dem autonomen Rennsport auf das Coaching menschlicher Fahrer übertragen werden. Langfristig soll ein digitales System entstehen, das zentrale Aufgaben eines Fahrcoaches im realen Fahrzeug übernimmt und Fahrer dabei unterstützt, auf abgesperrten Rennstrecken schneller, konstanter und eigenständiger zu fahren.

Projektziel

Ziel dieser Arbeit ist die Entwicklung einer fahreradaptiven Planungsmethode, die eine Referenztrajektorie und Bremsempfehlungen an die individuellen Fähigkeiten und den Lernfortschritt eines menschlichen Fahrers anpasst. Der Fokus liegt zunächst auf Einsteigern, wobei eine spätere Erweiterung auf erfahrenere Fahrer berücksichtigt werden soll. Der Mensch übernimmt die vollständige Fahrzeugführung; das System stellt Empfehlungen bereit.

Ausgehend von einer offline optimierten Ideallinie soll untersucht werden, wie sich aus dem beobachteten Fahrverhalten ein Fahrermodell ableiten und während der Fahrt aktualisieren lässt. Dazu können beispielsweise Abweichungen von der Referenzlinie, das Bremsverhalten und die Konstanz über mehrere Runden ausgewertet werden. Auf dieser Grundlage sollen Bremsempfehlungen online berechnet und die Zielvorgaben für nachfolgende Runden angepasst werden. Dabei ist zu unterscheiden, ob eine Abweichung auf begrenzte Fähigkeiten, einen einzelnen Fahrfehler, einen alternativen Fahrstil oder eine ungeeignete Referenz zurückzuführen ist. Ziel ist eine schrittweise Leistungssteigerung, ohne den Fahrer durch unrealistische Vorgaben zu überfordern oder zu frustrieren.

Die Entwicklung und erste Evaluation erfolgen in einer Simulationsumgebung. Bewertet werden sollen die Umsetzbarkeit der Empfehlungen sowie Veränderungen von Rundenzeit und Fahrkonstanz. Je nach Umfang können auch Fahrten ohne Unterstützung genutzt werden, um den Lernerfolg zu untersuchen. 

Wir bieten:

• Ein dynamisches und zukunftsorientiertes Forschungsfeld: Arbeite an der technologischen Spitze des autonomen Rennsports.
• Praxiserfahrung: Arbeite mit einem hochmodernen Software-Stack für autonomes Fahren.
• Publikationspotenzial: Die Möglichkeit, deine Ergebnisse als wissenschaftliches Paper zu veröffentlichen (leistungsabhängig).
• Sprachliche Flexibilität: Die Arbeit kann wahlweise auf Englisch oder Deutsch verfasst werden.

Deine Qualifikationen:

• Hohe Eigeninitiative und kreative Problemlösungsfähigkeiten.
• Sehr gute Englischkenntnisse.
• Fortgeschrittene Kenntnisse in Python oder C++.
• Erste Erfahrungen mit autonomen Fahrzeugen sind von Vorteil.
• Erfahrung in der Softwareentwicklung ist ein Plus.

Startdatum: Die Arbeit kann ab sofort begonnen werden.

Bewerbung: Bei Interesse sende einfach eine E-Mail mit einem kurzen Anschreiben, in dem du erklärst, was dich an diesem Thema fasziniert, sowie einem aktuellen Notenauszug und deinem Lebenslauf an ann-kathrin.schwehn<script>document.write('@');</script>

<noscript>(at)</noscript>tum.de.

---

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

Learning the Driver: Adaptive Racing Lines and Braking Strategies for a Virtual Race Engineer

Achieving fast and consistent lap times requires precise coordination of racing line selection, braking points, and vehicle control. In traditional motorsport, experienced driving coaches support this learning process by analyzing driving behavior and adapting their recommendations to individual abilities. Digital coaching systems offer the opportunity to provide this support directly inside the vehicle. A central challenge is to generate recommendations that account for the vehicle’s performance potential while remaining achievable for the individual driver.

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. This thesis will transfer methods from autonomous racing to the coaching of human drivers. The long-term goal is a digital system that performs key functions of an in-car driving coach and helps drivers become faster, more consistent, and more independent on closed racing circuits.

Project Objective

The aim of this work is to develop a driver-adaptive planning method that adjusts a reference trajectory and braking recommendations to a human driver’s individual abilities and learning progress. The initial focus will be on beginners, while considering a subsequent extension to more experienced drivers. The human remains fully responsible for controlling the vehicle, while the system provides recommendations.

Starting from an offline optimized racing line, the work will investigate how a driver model can be derived from observed driving behavior and updated during driving. Relevant observations may include deviations from the reference line, braking behavior, and consistency across multiple laps. Based on this model, braking recommendations should be computed online, and targets for subsequent laps should be adapted. The approach should distinguish whether a deviation reflects limited ability, an isolated driving error, an alternative driving style, or an unsuitable reference. The objective is gradual performance improvement without overwhelming or frustrating the driver through unrealistic targets.

Development and initial evaluation take place in a simulation environment. Evaluation should assess the achievability of the recommendations and changes in lap time and driving consistency. Depending on the scope, driving without assistance can also be used to investigate learning outcomes.

We offer:

• A dynamic and future-oriented research field: Work at the cutting edge of autonomous racing.
• Hands-on experience: Work with a state-of-the-art software stack for autonomous driving.
• Publication potential: The opportunity to publish your findings as a scientific paper (based on merit).
• Language flexibility: The 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.

Start Date: Work can begin immediately.

Application: If you are interested, please send an email with a brief cover letter explaining what fascinates you about this topic, your current academic transcript, and a resume to ann-kathrin.schwehn<script>document.write('@');</script>

<noscript>(at)</noscript>tum.de.

Möglicher Beginn

sofort

Kontakt

Ann-Kathrin Schwehn
ann-kathrin.schwehntum.de