自动驾驶赛车技术在近年来取得了显著进展，其核心目标是在高速、复杂的赛道环境中实现车辆的自主操控，以达到最佳的竞速效果。然而，尽管当前的学习型驾驶策略在一般道路驾驶场景中表现出色，它们在应对自动驾驶赛车所特有的挑战时仍存在明显不足。这些挑战包括高速行驶时的动态响应、与对手车辆的近距离竞争、以及在车辆性能极限下进行操作的需求。本文提出了一种专门针对实时自动驾驶赛车的神经网络驾驶策略架构，旨在克服上述难题，并提升系统在动态环境中的适应性和性能表现。
自动驾驶赛车研究与学习型驾驶策略的发展并行推进，但两者的研究重点和应用场景存在显著差异。自动驾驶赛车更关注于在极限条件下实现高效、安全的驾驶行为，而学习型驾驶策略则侧重于通过数据驱动的方法，训练神经网络模型以实现从输入到输出的端到端驾驶控制。近年来，随着深度学习技术的进步，许多研究尝试将多个驾驶任务整合到单一神经网络中，从而提高策略的泛化能力和鲁棒性。例如，Hydra-MDP通过引入多个价值函数来表征不同维度的驾驶质量，如减少碰撞、保持在可行驶区域内、维持乘客舒适度等，并在候选路径中选择预测成本最低的路径。同样，VADv2则通过设置碰撞避免和车道对齐等约束条件，确保车辆在追求目标的同时保持安全性和稳定性。这些方法展示了在一般自动驾驶场景中，综合考虑多种轨迹和目标的重要性。
然而，上述技术在自动驾驶赛车场景中的应用仍面临诸多挑战。首先，赛车驾驶环境具有高度动态性和不确定性，例如赛道几何结构的复杂性、车辆之间的竞争关系以及轮胎抓地力的极限操作需求。这些因素使得传统的一般道路驾驶策略难以直接迁移至赛车场景。其次，专家驾驶数据的获取在赛车领域尤为困难，因为高质量的专家数据不仅需要专业赛车手的参与，还需要在极端条件下进行多次测试和优化，这在实际操作中往往不可行。此外，当前轨迹词汇的生成方法通常依赖于通用驾驶数据，这些数据无法准确反映赛车赛道的特殊性，导致候选轨迹的多样性和适用性受限。最后，轨迹选择过程通常采用静态权重方案，无法根据实时变化的赛道条件和竞争态势进行动态调整，从而影响整体性能表现。
为了解决这些问题，本文提出了一种新的神经网络架构和训练方法，专门针对自动驾驶赛车的实时需求进行设计。该架构包含四个主要模块：赛车感知、赛车策略、赛车策略蒸馏和赛车动作。赛车感知模块负责处理环境中的关键信息，包括赛道几何结构（如赛道线和地图）、其他车辆的位置以及自身车辆的动态状态，从而生成一个统一的环境表示。赛车策略模块则基于这一环境表示，实时生成一组适用于当前赛道条件的候选轨迹，这些轨迹不仅考虑了车辆的动力学特性，还结合了赛车特有的约束条件。接下来，这些候选轨迹被输入到一个变压器网络中，该网络利用环境编码作为键和值，以及轨迹编码作为查询，从而选择出最合适的行驶路径。为了提高轨迹选择的效率和稳定性，本文引入了赛车策略蒸馏模块，该模块通过基于数学优化的参考方法（来源于离线最优赛车策略）来评估每个轨迹的多个成本组件，从而提供可靠的监督信号。这种方法无需依赖大量的专家驾驶数据，能够在训练过程中有效指导策略的学习。最后，赛车动作模块结合多个成本组件，并通过贝叶斯优化动态调整它们的权重，以实现对赛车性能的优化，即在减少圈速时间的同时，确保车辆的安全性和控制性。
本文的核心贡献在于，通过引入自适应轨迹词汇和最优驾驶指导，构建了一个更加灵活和高效的驾驶策略框架。自适应轨迹词汇能够根据赛道几何结构和自身车辆状态动态生成候选轨迹，从而覆盖更广泛的可行驾驶操作，并增强策略对赛道环境变化的响应能力。最优驾驶指导则通过一个数学优化模型，为轨迹选择提供可靠的成本评估，减少对专家数据的依赖。此外，贝叶斯优化的引入使得策略能够在运行过程中自动调整不同成本组件的权重，从而在动态环境中实现更均衡和高性能的驾驶行为。实验结果表明，该架构在高保真度的赛车模拟器中表现出色，能够实现接近专业赛车手的圈速时间，同时保持较低的碰撞率。这些实验不仅验证了该方法的有效性，还展示了其在真实赛车环境中的适应能力。
在具体实现过程中，本文采用了多种技术手段以确保策略的高效性和稳定性。首先，赛车感知模块利用先进的传感器融合技术，实时获取赛道信息和车辆状态。这些信息包括但不限于赛道边界、弯道半径、坡度变化、以及周围车辆的相对位置和速度。通过将这些信息进行编码，赛车感知模块能够为后续策略模块提供精确的环境描述。其次，赛车策略模块采用了一种自适应轨迹生成方法，能够根据当前赛道条件和车辆状态动态调整候选轨迹的范围和数量。该方法不仅考虑了车辆的动力学特性，还结合了赛车特有的竞争因素，例如对手车辆的位置和速度，从而生成更具针对性的候选轨迹。最后，轨迹选择过程通过引入一个基于变压器的网络结构，实现了对候选轨迹的高效评估和选择。该网络能够快速处理大量的轨迹候选，并根据环境编码和轨迹编码的结合，选择出最合适的行驶路径。
为了进一步提升策略的性能，本文还引入了策略蒸馏技术。该技术通过一个基于数学优化的参考模型，对候选轨迹进行成本评估，从而生成稳定的监督信号。这种监督信号能够替代传统的专家驾驶数据，使得策略在训练过程中无需依赖大量的人工标注数据。同时，策略蒸馏还能够提高策略的泛化能力，使其在不同赛道条件下都能保持较高的性能表现。此外，贝叶斯优化的引入使得策略能够在运行过程中自动调整不同成本组件的权重，从而实现对赛车性能的动态优化。这种方法不仅能够减少圈速时间，还能够确保车辆在高速行驶时保持良好的控制性和安全性。
实验部分在高保真度的赛车模拟器中进行，该模拟器能够准确建模赛车运动中的关键动力学因素，如轮胎摩擦力、车辆惯性、空气阻力等。通过在该模拟器中进行测试，本文验证了所提出架构的有效性。实验结果表明，该策略能够在不同赛道条件下实现接近专业赛车手的圈速时间，同时保持较低的碰撞率。这些结果不仅证明了所提出方法在技术上的可行性，还展示了其在实际应用中的潜力。此外，实验还表明，该策略在面对复杂赛道几何结构和动态竞争环境时，能够保持良好的适应性和稳定性，这为其在实际赛车场景中的应用提供了有力支持。
本文的研究成果对于推动自动驾驶赛车技术的发展具有重要意义。首先，它提供了一种全新的驾驶策略框架，能够有效应对赛车驾驶中的特殊挑战。其次，该方法减少了对专家驾驶数据的依赖，使得策略的训练过程更加高效和经济。此外，通过引入自适应轨迹词汇和贝叶斯优化，该策略能够动态调整自身行为，以适应不断变化的赛道条件和竞争态势。这些特点使得该方法在实际应用中具有更高的灵活性和鲁棒性。最后，本文的实验结果表明，该策略在高保真度模拟器中的表现优于现有方法，为未来的实际测试和部署提供了坚实的基础。
未来的研究方向可以包括进一步优化轨迹生成算法，以提高候选轨迹的多样性和适用性。此外，可以探索更高效的策略蒸馏方法，以减少训练时间和计算资源的需求。贝叶斯优化的引入虽然提升了策略的适应性，但其计算复杂度较高，因此需要进一步研究如何在保持性能的同时降低计算成本。同时，可以考虑将该方法应用于更广泛的自动驾驶场景，例如城市道路、高速公路等，以验证其在不同环境下的适用性。最后，随着自动驾驶技术的不断发展，如何在实际测试中进一步验证该策略的性能，并将其推广到更复杂的赛车环境中，将是未来研究的重要课题。
