Cartesian-Based Online Raceline Optimization for Autonomous Racing

Institute

Professur für autonome Fahrzeugsysteme (TUM-ED)

Type

Semester Thesis / Master's Thesis /

Content

experimental / theoretical /  

Description

[For English Version see below.]

Kartesisch-basierte Online-Raceline-Optimierung für den autonomen Rennsport

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 Haupttreiber 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 fließen direkt in die Weiterentwicklung autonomer Fahrzeuge für den alltäglichen Straßenverkehr ein.

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. Das Qualifying spielt eine Schlüsselrolle, um die bestmögliche Startposition für das Rennen zu sichern. Da die offline optimierte, globale Ideallinie vom Fahrzeug nicht perfekt abgefahren werden kann, lässt sich die Performance verbessern, wenn diese online reoptimiert wird.

Projektziel

Ziel dieser Arbeit ist es, das Problem der Online-Ideallinienoptimierung vollständig in einem kartesischen Koordinatensystem zu formulieren und zu integrieren sowie die Performance mit dem bestehenden Ansatz (Frenet-Koordinaten) zu vergleichen.

Aktuell basiert unsere Pipeline zur Trajektorienoptimierung auf einem straßenausgerichteten Koordinatensystem. Obwohl dies effektiv ist, um Streckenbegrenzungen relativ zu einer Referenzlinie einfach zu definieren, kann das Frenet-System mathematische Komplexitäten wie Verzerrungen bei der Koordinatenabbildung und Singularitäten mit sich bringen – insbesondere dann, wenn das Fahrzeug stark von der Centerline abweicht. Durch den Wechsel zu einem kartesischen Ansatz arbeitet die Optimierung direkt in globalen X- und Y-Koordinaten und umgeht so diese Abhängigkeiten von der Referenzlinie.

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@tum.de.

 

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

Cartesian-Based Online Raceline Optimization for Autonomous 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. Qualifying plays a key role in ensuring the best possible starting position for the race. As the offline optimized, global raceline cannot be tracked perfectly by the vehicle, performance can be improved if it is re-optimized online.

Project Objective

The aim of this work is to formulate and integrate the online raceline optimization problem entirely within a Cartesian coordinate frame and to compare its performance with the existing road-aligned (Frenet frame) approach.

Currently, our trajectory optimization pipeline relies on a road-aligned coordinate system. While effective for easily defining track boundaries relative to a reference line, the Frenet frame can introduce mathematical complexities, such as coordinate mapping distortions and singularities, particularly when the vehicle deviates significantly from the centerline. By shifting to a Cartesian framework, the optimization directly operates in global X and Y coordinates, bypassing these reference-line dependencies.

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@tum.de.

Tags

AVS Schwehn, AVS Informatik

Possible start

sofort

Contact

Ann-Kathrin Schwehn
ann-kathrin.schwehntum.de