2026年6月2日 ，在ICRA 2026大会上 ，慕尼黑工业大学（TUM）自动驾驶尝试室掌管人Johannes Betz颁发了题为“Autonomous Vehicles & Navigation ”的演讲 ，系统回首了从前八、九年其团队在自动驾驶赛车领域的钻研过程与主题洞察。
Johannes Betz开篇即抛出一个敏感的问题：为什么要钻研自动驾驶赛车？他的回覆直指机械人学的一个底子困境：赛车天然集成了多变环境、高速交互与极幼容错空间三个极致身分 ，组成了美满的钻研沙盒。
在此基础上 ，他的团队选择了一条与主流“端到端强化进建”截然分歧的技术蹊径：一套经典的出产级感知-规划-节造管线 ，辅以“一个博士生一个算法”的治理哲学 ，确保每个�？檎加衅肴募际跛腥ê图碌墓こ躺疃�。
第三 ，全局-部门双层规划架构 ，结合博弈论实现多车交互预测 ，是赛车可能自主决策超车机遇的关键——他展示了一段在阿布扎比亚斯船埠赛路上实现的并排超车视频 ，全程自动驾驶 ，十次中有九次成功 ；
APEX的主题逻辑是：人类通过视觉、触觉、听觉感知极限 ，再凭借影象持续调整轨迹来逼近极限 ，而非死守一条固定的最优基线。这套系统在与梅赛德斯-AMG的合作测试中 ，以2.6秒的优势战胜了奔腾测试车手 ，又以1秒优势战胜了前DTM赛车抄本·施奈德。然而在面对目前F1车手锦标赛排名第二的乔治·拉塞尔时 ，APEX每圈慢了约1.5秒。
演讲的最后一课出乎意料地跳出了技术领域：若是你想赢 ，关键在于相宜的团队和人。他的团队已经用两次联赛冠军验证了这一判断。
像所有令人热血沸腾的事物一样 ，美国人酷爱赛车 ，也为此有所忧郁。你所看到的所有都是高阻力的匹敌。这个视频中唯一看不到的器材 ，是背后的价值。但你所看到的所有 ，齐满是在自动驾驶状态下实现的。
这场十五分钟的简短演讲涵盖我从前八、九年的钻研。我也欢迎各人来相识从逆向自动驾驶赛车活动中罗致的经验教训 ，进建若何在极限状态下操控自动驾驶车辆。接下来的十五分钟 ，我将带各人走一段旅程 ，分享一些经验教训。若是你们有兴致涉足这类钻研方向 ，也许未来能派上用场。
但你必要回覆的第一个问题就是：我为什么要做这个？既然正本也没人来找我们做自动驾驶赛车。那为什么还要把它放到赛路上呢？
首先 ，看左边的赛车。对于一辆赛陈反说 ，每次去到分歧的赛路 ，都必要调整设置 ，无论是气象变动、空气动力学设计的更新 ，车手也必要适应这些变动。
第二点 ，看中央的影像。好比在Raidillon弯路以250公里时速超车 ，你从左侧切到右侧 ，必要很高的预测安全性 ，由于你并不知路敌手会做什么。
第三点 ，在右侧 ，你看到的是消费者车辆在摩纳哥行驶。摩纳哥极度特殊 ，由于那里的容错空间极幼。若是你观察一辆车 ，你会感触到它对极限的逼近。
我记得Davide Scaramuzza有一个很棒的Keynote教程 ，他们根基上证了然无人机能够比人类飞得更快。Sony AI团队也展示了在赛路上比人类更快 ，但仅限于仿真环境� ；褂幸恍┳暄姓咚党底龅煤芸� ，但仅限于单车 ，只优化节造器� ；褂幸恍┤� ，若是去看全尺寸赛路 ，那些公路赛级此外角逐 ，他们有肯定的钻研成就 ，但问题是 ，这些成就能否真正泛化？
所以我们有这些钻研者。但目前还没有人在真实赛路赛车的高速行驶中证明自己比人类更快 ，并且在多车交互的场景下做到这一点。
在这个联赛中 ，组织方把各支行列召集在一路 ，发放一辆自动驾驶赛车。这辆自动驾驶赛车性质上是一辆经典的方程式赛车 ，装配了激光雷达、毫米波雷达、摄像头、车载节造推算机 ，以及实现自动驾驶所需的所有设备。
我们面对的第一个大问题是：什么样的软件才是正确的软件 ，能让这辆车跑到时速300公里 ，既精准又稳��？这个问题不好回覆。由于单一的答案可能是：用强化进建 ，它会自己学会。但这个答案太简略了。
为什么我们必要一套极度稳重的软件架构？由于在驾驶一辆价值百万美元的车以300公里时速行驶时 ，每一个谬误城市导致撞车。所以我们决定选取经典的出产级感知-规划-节造管线。
第二 ，让车辆实现定位和物体检测。第三 ，极度关键的是做好物体预测 ，尤其是交互预测。第四 ，将信息输入活动规划器 ，这根基上是赛车软件架构的主题。最后 ，节造车辆。
这就是从技术角度看我们软件的奥秘地点。同时 ，从治理角度看也是如此。我和另表两个尝试室共同运营这个团队。我们决定采取“一个博士生一个算法”的治理理想。这根基上带来了算法的齐全所有权 ，学生们会全力以赴 ，由于他们不仅要做出好的算法 ，还必要把所有器材组合在一路。
此刻让我们深刻到软件架构中 ，稍微诠释一下我们做了什么。首先 ，当然必要定位。我们是怎么做的？对我们来说 ，多传感器融合是绝对关键。你看到的是 ，GPS、激光雷达和毫米波雷达必要全数协同工作 ，能力实现稳重的定位。
赛车拥有极度特殊的行为动力学。当赛车进入弯路倾斜路段 ，遇到幼坡度 ，而后起头漂移。你在这里看到的是所谓的侧偏角 ，这是特殊的车辆动力学 ，必要通过三维状态估计来捉拿齐全的动力学个性。
全局规划对我们来说是一个优化问题 ，现实上是一个最幼圈时问题 ，或者说最优节造问题 ，它要运行齐全的车辆行为动力学 ，蕴含非线性轮胎动力学、弹簧、减震器、空气动力学 ，你必要的所有。
极度沉要的一点是 ，我们必要离线预先推算 ，同时也要在车上在线运行 ，由于现实情况会产生变动。若是赛车偏离了最优蹊径 ，它必要沉新推算一条新蹊径。这正是人类赛车手的工作方式。
这段视频展示的是CA88赛车在阿布扎比亚斯船埠赛路上的行驶情况。你能够看到赛车在沿着最优赛路功夫行驶。你还能看到轮胎数值 ，轮胎在升温、刹车的状态 ，纵向和横向的加快度。你根基上能够看到所有 ，并且系统可能对其加以节造。
此表 ，你会把稳到一个出格之处。在座的赛车活动爱好者可能会厚道通知我 ，这看起来并不最优。为什么不充分利用弯路？为什么离赛路表侧那么远？
答案是我们在尝试跟踪一条最优基线 ，但同时也必要肯定的安全余量 ，以防赛车出现转向过度或转向不及。这是一个我们也必要解决的问题。
但是 ，赛车并不是你单独一人在赛路上就能实现的活动。赛车的性质就是与他人竞技。所以下一步我们必要一个部门活动规划器。我们决定选取基于采样的活动规划。这意味着CA88赛车在Frenet坐标系中沿纵向和横向采样轨迹 ，而后通过价值函数结合长距离递归可行性进行评估。CA88推算领域是100米。
此刻你看到的视频是CA88赛车在统一条赛路上 ，但前方有一辆红色的敌手车。你根基上能看到在推算的轨迹。请把稳 ，由于此刻CA88赛车必要自行决定什么时辰是超车的好机遇 ，以及若何超车。
此刻仔细看。CA88赛车在五号弯向赛路表侧稍稍移动。而后起头切回内侧。由于此刻CA88赛车在后直路上加快 ，并决定执行超车作为。
由于超车作为当然必要一点功夫。CA88部门规划器决定刚好在这个弯路执行超车。因而出现了一个并排紧贴的超车作为。你所看到的所有 ，齐满是自动驾驶实现的。
为了再次展示这一点 ，这里还有一段视频 ，很好地捉拿到了这个行为。我还要说的是 ，由于我们身处钻研社区 ，这个作为十次中有九次能成功 ，第十次很可能导致撞车。
所以第四课：带交互的长距离活动规划是关键。没有它 ，你的赛车始终不会有这样的作为 ，始终无法进行交互 ，也始终无法超过其他车辆。
谁能比真正的人类冠军更快呢？我们从无人机竞速领域已经知路这一点。没错� ；蛘咚� ，从AlphaGo下围棋、IBM Watson、深蓝下国际象棋 ，我们都知路这一点。
唯一的问题是 ，在汽车驾驶领域 ，我们不是在和一个超等人类对话 ，我们是在和多多超等人类对话。由于这些人从很幼的时辰就在进建若何驾驶赛车了。
我们发现 ，人类首先通过视觉、触觉和听觉来感知极限。而后通过影象和不休调整轨迹来逼近极限。这一点极度新鲜。由于通常各人会以为有一条最优基线 ，跟踪它就行了。但是当动力学产生变动、偏离基线时 ，你必须扭转轨迹。
我们把所有这些整合到一个叫APEX的软件中。你此刻看到的这个软件 ，不属于活动规划器 ，也不属于节造器。如我所说 ，这是一个新鲜的软件 ，把所有这些身分组合在一路。
为了证明它的确有效 ，我们把它部署到一辆钻研车上 ，这是与梅赛德斯-AMG合作的成就。你此刻看到的 ，出格是你此刻听到的 ，和你之前看到的都不太一样。
此刻 ，你听到了轮胎的声音。只有在软件实时自适应调整的情况下 ，这种轮胎声才会出现。每一个弯路、每一个弯角、每一圈 ，这辆车都在变得越来越快 ，直达到到APEX的顶点 ，软件与车辆动力学合二为一 ，实现了这样的圈速。
由于我们发现 ，橙色标注的这位是梅赛德斯的一位测试车手。这幼我每天都在驾驶赛车。我们比他快了2.6秒。所以CA88软件战胜了人类。
但他是测试车手。所以我们也约请了蓝色标注的这位。好多人可能不意识他 ，你能够搜索一下。他叫本·施奈德 ，曾是德国DTM赛车手 ，也是梅赛德斯的测试车手。我们让他坐进陈凤 ，我们比他快了一秒。
很遗憾 ，我们比他慢。但这不要紧。这就是钻研。对准指标去尝试 ，固然没有实现。乔治·拉塞尔比我们每圈快约莫1.5秒 ，这背后有几个原因和经验教训。
你在绿色区域看到的 ，都是CA88赛车比乔治更快的赛段。这意味着 ，我们知路若何在赛路的多个部门战胜他。但我们还有好多必要弄明显的处所。
站在这里 ，我现实上不是站在巨人的肩膀上 ，而是站在我团队的肩膀上。由于我之前没有通知各人的是 ，我们这个团队现实上赢得了两次角逐。
听多提问：你之前展示了真实赛路上的视频 ，但在优化系统的过程中我们没有看到超车作为。你是否思考了其他车手的决策行为？他们不只是动态阻碍物 ，也有自己的决策。
Johannes Betz：是的 ，齐全正确。我必须恳切地说 ，赛车活动中总是有规定。在这种情况中 ，好比另一辆车必须维持在赛路表侧、对方不能忽然切到我们前面 ，诸如此类的情况。若是他们失去了弯心权 ，对方车辆就会这么做。
听多提问：我看到你提到了APEX ，我知路也有其他人在做有关钻研。我想相识一下你们的进建机造是什么？是强化进建 ，还是什么概想？它是若何与节造算法互动的？
Johannes Betz：其他人也在用类似的步骤。但对我们来说 ，指标是超过人类 ，我记得Dominic在早上的演讲中说过这一点 ，他在另一场关于无人机竞速的演讲中也提到过。复造人类 ，而后超过。这正是我们试图弄明显的事件。
具体来说 ，各个组件从单一的启发式步骤起头 ，捉拿轮胎状态 ，捉拿动力学 ，而后纳入进建部门。这能够从单一的机械进建起头。我们也在尝试用强化进建做尝试。我以为这是一个很好的方向。
听多提问：你提到多传感器融合对你们的系统至关沉要。要实现精确的多传感器融合 ，就必要多传感器标定。我想问你的是 ，你们在赛车上的标定步骤是怎么的？
Johannes Betz：我们有一个工程团队专门处置各类标定工作。我们不做在线标定 ，这极度沉要。所有标定都是离线、提前实现的 ，传感器到传感器之间的标定。对我们来说 ，这种筹备工作足以在赛路上进行角逐。
《XBOX360高清视频线》系列赛余下场次，哈特未必能延续G1的篮板效率与助攻表现，但有一点可以确定：他永远在场上拼尽全力、从不划水。G1的亮眼数据，全靠一股拼劲换来。该报道表示，虽然阿苏埃与莱加内斯的租借合同要到6月30日结束，但是随着西乙联赛的结束，阿苏埃进入了赛季结束后的休假期，所以他很可能会提前返回上海，投入到备战训练之中，从而更好地与拉唐进行磨合。《XBOX360高清视频线》XXXXXL19D和XXXXXL20D区别-百度100网站这番表态之所以引发关注，是因为Altman同时披露了使用量的极端变化。OpenAI最大客户之一每月消耗约1000亿个tokens，约相当于750亿个单词。而六年半前，OpenAI最高使用者的月消耗量约为10万个tokens。单一顶级用户的使用规模已放大约100万倍。在交互本能的测试中，机器人未经过任何数据预训练，在抓取易碎的豆腐、水量不断变化的塑料杯、受外界动态扰动的极薄铁皮卷，抓取力都能够实时调整，确保抓取稳定且可靠。
20260605 ? 《XBOX360高清视频线》我觉得大家应该保持冷静，没有恐慌。当然输球很遗憾，但我们还有一场比赛来准备世界杯，真正的比赛是对日本那场。我们必须为那场比赛做好准备。《亚洲L码与欧洲M码的差距》6月4日，法国网球公开赛将进入到第12比赛日的角逐。这一比赛日将在混双赛场决出本届法网的首冠，此外女子单打两场半决赛比赛将上演。科斯秋克VS安德列娃、施耐德VS赫瓦林斯卡将决出两个进入法网女单决赛的名额。
20260605 ? 《XBOX360高清视频线》然而，当前几乎所有主流智能体安全基准，依然把判断终点停在「语义输出层」——只问模型拒没拒，不管OS改没改。这一根本性缺陷，催生了一种极其危险的幻象：《迁就(两小无猜、1V2、甜宠)》阿坎吉表示：“我尽量平静地面对这种情况。人们往往会在并不真正了解任何人的情况下，很快形成自己的看法。对我来说，重要的是知道我是谁。”
京公网安备11010202000001号
