Initializing for Performance: Warm-Start Strategies for Trajectory Planning in Autonomous Racing

Institut

Professur für autonome Fahrzeugsysteme (TUM-ED)

Typ

Semesterarbeit / Masterarbeit /

Inhalt

experimentell / theoretisch /  

Beschreibung

[For English Version see below.]

Performance durch Initialisierung: Warm-Start-Strategien in der Trajektorienplanung für den autonomen Rennsport

Im autonomen Rennsport müssen Fahrzeuge ihr fahrdynamisches Potenzial ausschöpfen und gleichzeitig innerhalb kürzester Zeit auf veränderte Bedingungen reagieren. Die optimierungsbasierte Trajektorienplanung berechnet dafür eine geeignete Fahrlinie und das zugehörige Geschwindigkeitsprofil. Diese Aufgabe wird alsOptimal Control Problem formuliert, dessen Lösung eine hohe Fahrperformance ermöglicht und innerhalb des verfügbaren Rechenzeitbudgets bereitstehen muss. Neben der Problemformulierung und dem numerischen Lösungsverfahren spielt die Initialisierung eine entscheidende Rolle: Ein geeigneter Warmstart kann die Konvergenz beschleunigen, die Zuverlässigkeit des Planers erhöhen und die Qualität der gefundenen Lösung verbessern.

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. Da eine offline optimierte, globale Ideallinie die aktuelle Fahrsituation nicht vollständig abbilden kann, wird diese während der Fahrt online angepasst. Bereits berechnete Trajektorien, Kenntnisse über die Streckengeometrie und die fahrdynamischen Zusammenhänge bieten dabei wertvolle Informationen für eine gezielte Initialisierung des Optimierungsproblems.

Projektziel

Ziel dieser Arbeit ist die Entwicklung und Evaluation strukturinformierter Initialisierungsverfahren für die optimierungsbasierte Trajektorienplanung im autonomen Rennsport. Durch die gezielte Nutzung der Problemstruktur sollen geeignete Startwerte für das OCP erzeugt werden, um die gesamte Rechenzeit zu reduzieren und gleichzeitig die Lösungsqualität sowie die Robustheit des bestehenden Planers zu verbessern.

Zunächst soll untersucht werden, wie sich die bisherige Initialisierung auf das Konvergenzverhalten und die resultierenden Trajektorien auswirkt. Darauf aufbauend sollen Warm-Start-Strategien entwickelt werden, die beispielsweise vorherige Optimierungslösungen, eine offline berechnete Ideallinie, die Streckengeometrie oder vereinfachte fahrdynamische Berechnungen nutzen. Ein besonderer Fokus liegt darauf, vorhandene Lösungen an den aktuellen Fahrzeugzustand und veränderte Randbedingungen anzupassen. Dabei sollen die dynamische Konsistenz zwischen Zustands- und Stellgrößen sowie die Einhaltung relevanter Fahrzeug- und Streckenbeschränkungen berücksichtigt werden.

Die entwickelten Methoden sollen in die bestehende Planungspipeline integriert und anhand repräsentativer Fahrszenarien systematisch verglichen werden. Die Bewertung umfasst die gesamte Rechenzeit einschließlich der Initialisierung, das Konvergenzverhalten, die Zulässigkeit der berechneten Trajektorien und die erreichte Zielfunktionsqualität. Insbesondere soll untersucht werden, unter welchen Bedingungen eine aufwendigere Initialisierung einen tatsächlichen Vorteil gegenüber einfachen Ansätzen bietet und wie sich dieser Vorteil bei begrenztem Rechenzeitbudget auswirkt.

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 -------------------------------------------

Initializing for Performance: Warm-Start Strategies for Trajectory Planning in Autonomous Racing

In autonomous racing, vehicles must exploit their dynamic capabilities while responding to changing conditions within extremely short time frames. Optimization-based trajectory planning computes a suitable racing line and its associated speed profile. This task is formulated as an Optimal Control Problem, whose solution must enable high driving performance while remaining within the available computational budget. Alongside the problem formulation and numerical solution method, initialization plays a decisive role: A suitable warm start can accelerate convergence, increase planner reliability, and improve the quality of the resulting solution.

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. Since an offline optimized, global racing line cannot fully represent the current driving situation, it is adapted online during driving. Previously computed trajectories, knowledge of the track geometry, and vehicle dynamics relationships provide valuable information for constructing effective initial guesses for the optimization problem.

Project Objective

The aim of this work is to develop and evaluate structure-aware initialization methods for optimization-based trajectory planning in autonomous racing. By exploiting the structure of the problem, suitable initial guesses for the OCP should be generated to reduce total computation time while improving the solution quality and robustness of the existing planner.

The work will first investigate how the current initialization affects convergence behavior and the resulting trajectories. Building on this analysis, warm-start strategies should be developed using, for example, previous optimization solutions, an offline computed racing line, track geometry, or simplified vehicle dynamics calculations. Particular attention will be given to adapting existing solutions to the current vehicle state and changing constraints. This should account for dynamic consistency between state and control variables, as well as compliance with relevant vehicle and track constraints.

The developed methods should be integrated into the existing planning pipeline and systematically compared across representative driving scenarios. Evaluation will consider total computation time, including initialization, convergence behavior, trajectory feasibility, and the achieved objective value. A particular focus will be on identifying when a more sophisticated initialization provides a practical advantage over simpler approaches and how this advantage translates into performance under a limited computational budget.

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