慕尼黑工大Johannes Betz 教授：时速300公里的自动驾驶超车 ｜ ICRA 2026

大多数AI赛车研究停留在仿真里，这辆车是真的在赛道上撞过。

    作者丨陈淑瑜

    编辑丨岑   峰

2026年6月2日，在ICRA 2026大会上，慕尼黑工业大学（TUM）自动驾驶实验室负责人Johannes Betz发表了题为“Autonomous Vehicles & Navigation ”的演讲，系统回顾了过去八、九年其团队在自动驾驶赛车领域的研究历程与核心洞察。

Johannes Betz开篇即抛出一个尖锐的问题：为什么要研究自动驾驶赛车？他的回答直指机器人学的一个根本困境：赛车天然集成了多变环境、高速交互与极小容错空间三个极致要素，构成了完美的研究沙盒。

在此基础上，他的团队选择了一条与主流“端到端强化学习”截然不同的技术路径：一套经典的生产级感知-规划-控制管线，辅以“一个博士生一个算法”的管理哲学，确保每个模块拥有完全的技术所有权和极致的工程深度。

在软件架构层面，Betz提炼出四条硬核教训：

第一，多传感器融合（GPS+激光雷达+毫米波雷达）是高速定位的基石，尤其是在GPS信号拒止的真实战场环境中；

第二，三维状态估计是捕捉漂移、侧偏角等极限动力学的前提，缺此则一切免谈；

第三，全局-局部双层规划架构，结合博弈论实现多车交互预测，是赛车能够自主决策超车时机的关键——他展示了一段在阿布扎比亚斯码头赛道上完成的并排超车视频，全程自动驾驶，十次中有九次成功；

第四，当经典管线跑通之后，真正的挑战来到了“如何比人类更快”。

为此，Betz 团队耗时三年，逆向工程了人类赛车手的行为模式，开发出名为APEX的“人类启发的主动驾驶智能”系统。

APEX的核心逻辑是：人类通过视觉、触觉、听觉感知极限，再凭借记忆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秒的优势击败了奔驰测试车手，又以1秒优势战胜了前DTM赛车手本·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。

演讲的最后一课出人意料地跳出了技术范畴：如果你想赢，关键在于合适的团队和人。他的团队已经用两次联赛冠军验证了这一判断。

以下是Johannes Betz在ICRA 2026大会发表的演讲精编稿，雷峰网(公众号：雷峰网)在现场报道，并基于原英文演讲内容进行了不改原意的翻译编辑：

01

为什么是赛车？

趁会场还在陆续进场，我想了解一下在座有多少人对赛车运动感兴趣？有谁关注赛车运动的收入模式？

好吧，举手的人不算多，但我认为现在很多人开始对赛车运动产生好奇，因为Netflix在推广方面做得非常出色。

像所有令人热血沸腾的事物一样，美国人热爱赛车，也为此有所担忧。你所看到的一切都是高阻力的对抗。这个视频中唯一看不到的东西，是背后的价值。但你所看到的一切，完全是在自动驾驶状态下完成的。

这场十五分钟的简短演讲涵盖我过去八、九年的研究。我也欢迎大家来了解从逆向自动驾驶赛车运动中汲取的经验教训，学习如何在极限状态下操控自动驾驶车辆。接下来的十五分钟，我将带大家走一段路程，分享一些经验教训。如果你们有兴趣涉足这类研究方向，也许将来能派上用场。

但你需要回答的第一个问题就是：我为什么要做这个？既然本来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道上呢？

其实，从研究的角度来看，这是一个相当不错的研究设定。

首先，看左边的赛车。对于一辆赛车来说，每次去到不同的赛道，都需要调整设置，无论是天气变化、空气动力学设计的更新，车手也需要适应这些变化。

第二点，看中间的影像。比如在Raidillon弯道以250公里时速超车，你从左侧切到右侧，需要很高的预测安全性，因为你并不知道对手会做什么。

第三点，在右侧，你看到的是消费者车辆在摩纳哥行驶。摩纳哥非常特殊，因为那里的容错空间极小。如果你观察一辆车，你会感受到它对极限的逼近。

所以当你把这些因素结合起来，就有了一个很好的研究设定，而这正是过去几年研究者们一直在做的事情。

我记得Davide Scaramuzza有一个很棒的Keynote教程，他们基本上证明了无人机可以比人类飞得更快。Sony AI团队也展示了在赛道上比人类更快，但仅限于仿真环境。还有一些研究者说车做得很快，但仅限于单车，只优化控制器。还有一些人，如果去看全尺寸赛道，那些公路赛级别的比赛，他们有一定的研究成果，但问题是，这些成果能否真正泛化？

所以我们有这些研究者。但目前还没有人在真实赛道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。

02

感知-规划-控制：300公里时速下的软件架构

这就是我们设立了自动驾驶经济赛车联赛的原因。

在这个联赛中，组织方把各支队伍召集在一起，发放一辆自动驾驶赛车。这辆自动驾驶赛车本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、车载控制计算机，以及实现自动驾驶所需的一切设备。

这辆车交到了我和我的团队手中，我们面临的挑战是为它开发软件。

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，既精准又稳健？这个问题不好回答。因为简单的答案可能是：用强化学习，它会自己学会。但这个答案太简略了。

为什么我们需要一套非常稳健的软件架构？因为在驾驶一辆价值百万美元的车以300公里时速行驶时，每一个错误都会导致撞车。所以我们决定采用经典的生产级感知-规划-控制管线。

所以我们决定采用经典的生产级感知-规划-控制管线。

首先，当然是集成传感器，需要全面的传感器感知。

第二，让车辆实现定位和物体检测。第三，非常关键的是做好物体预测，尤其是交互预测。第四，将信息输入运动规划器，这基本上是赛车软件架构的核心。最后，控制车辆。

这就是从技术角度看我们软件的奥秘所在。同时，从管理角度看也是如此。我和另外两个实验室共同运营这个团队。我们决定采取“一个博士生一个算法”的管理理念。这基本上带来了算法的完全所有权，学生们会全力以赴，因为他们不仅要做出好的算法，还需要把所有东西组合在一起。

03

四条技术教训

第一课：多传感器定位是高速赛车的基础。

现在让我们深入到软件架构中，稍微解释一下我们做了什么。首先，当然需要定位。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需要全部协同工作，才能实现稳健的定位。

我们在阿布扎比行驶时，由于以色列战事的影响，遭遇了GPS信号拒止的情况。一直都没有差分GPS信号。你必须进行融合。

所以我们的第一个教训：多传感器定位是高速赛车的基础。

第二课：三维状态估计不可或缺。

赛车具有非常特殊的行为动力学。当赛车进入弯道倾斜路段，遇到小坡度，然后开始漂移。你在这里看到的是所谓的侧偏角，这是特殊的车辆动力学，需要通过三维状态估计来捕捉完整的动力学特性。

这是第二个教训。没有这一点，就行不通。

第三课：全局规划和局部规划

从定位来到规划部分。在我们的方案中，我们决定把问题拆分为全局规划和局部规划。

全局规划对我们来说是一个优化问题，实际上是一个最小圈时问题，或者说最优控制问题，它要运行完整的车辆行为动力学，包括非线性轮胎动力学、弹簧、减震器、空气动力学，你需要的一切。

非常重要的一点是，我们需要离线预先计算，同时也要在车上在线运行，因为实际情况会发生变化。如果赛车偏离了最优路径，它需要重新计算一条新路径。这正是人类赛车手的工作方式。

为了展示这个效果，我带来了一段短视频。

这段视频展示的是我们的赛车在阿布扎比亚斯码头赛道上的行驶情况。你可以看到赛车正在沿着最优赛道时间行驶。你还能看到轮胎数值，轮胎在升温、刹车的状态，纵向和横向的加速度。你基本上可以看到一切，而且系统能够对其加以控制。

此外，你会注意到一个特别之处。在座的赛车运动爱好者可能会老实告诉我，这看起来并不最优。为什么不充分利用弯道？为什么离赛道外侧那么远？

答案是我们在尝试跟踪一条最优基线，但同时也需要一定的安全余量，以防赛车出现转向过度或转向不足。这是一个我们也需要解决的问题。

但你在这里已经看到，这在后直道上达到了250公里每小时。这基本上是我们用这辆车在这条赛道上达到的最快速度。

但是，赛车并不是你独自一人在赛道上就能完成的运动。赛车的本质就是与他人竞技。所以下一步我们需要一个局部运动规划器。我们决定采用基于采样的运动规划。这意味着我们的赛车在Frenet坐标系中沿纵向和横向采样轨迹，然后通过代价函数结合长距离递归可行性进行评估。我们的计算范围是100米。

第四课：带交互的长距离运动规划

最后，也是最有意思的部分，我们需要结合博弈论来实现交互。这就是系统在线计算最优轨迹的方式。

现在你看到的视频是我们的赛车在同一条赛道上，但前方有一辆红色的对手车。你基本上能看到正在计算的轨迹。请注意，因为现在我们的赛车需要自行决定什么时候是超车的好时机，以及如何超车。

现在仔细看。我们的赛车在五号弯向赛道外侧稍稍移动。然后开始切回内侧。因为现在我们的赛车正在后直道上加速，并决定执行超车动作。

因为超车动作当然需要一点时间。我们的局部规划器决定恰好在这个弯道执行超车。于是出现了一个并排紧贴的超车动作。你所看到的一切，完全是自动驾驶完成的。

为了再次展示这一点，这里还有一段视频，很好地捕捉到了这个行为。我还要说的是，因为我们身处研究社区，这个动作十次中有九次能成功，第十次很可能导致撞车。

所以第四课：带交互的长距离运动规划是关键。没有它，你的赛车永远不会有这样的动作，永远无法进行交互，也永远无法超越其他车辆。

04

APEX：人类启发的主动驾驶智能

说到目前为止，这些内容很多人已经知道了——经典的感知-规划-控制。但我们真正想做的是比人类更快。

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道这一点。没错。或者说，从AlphaGo下围棋、IBM Watson、深蓝下国际象棋，我们都知道这一点。

唯一的问题是，在汽车驾驶领域，我们不是在和一个超级人类对话，我们是在和众多超级人类对话。因为这些人从很小的时候就在学习如何驾驶赛车了。

举个例子，路易斯·汉密尔顿不仅是一位七届世界冠军，他四十岁了仍然在F1赛场上竞技。所以你要战胜的是经验。

因此，我和我的一位博士生花了三年时间，来破译人类究竟是如何把赛车开得那么快的。

你看到的是我们的最新研究，叫做“人类启发的主动驾驶智能”。

我们发现，人类首先通过视觉、触觉和听觉来感知极限。然后通过记忆和不断调整轨迹来逼近极限。这一点非常新颖。因为通常大家会认为有一条最优基线，跟踪它就行了。但是当动力学发生变化、偏离基线时，你必须改变轨迹。

我们把所有这些整合到一个叫APEX的软件中。你现在看到的这个软件，不属于运动规划器，也不属于控制器。如我所说，这是一个新颖的软件，把所有这些要素组合在一起。

为了证明它确实有效，我们把它部署到一辆研究车上，这是与梅赛德斯-AMG合作的成果。你现在看到的，特别是你现在听到的，和你之前看到的都不太一样。

现在，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。每一个弯道、每一个弯角、每一圈，这辆车都在变得越来越快，直到达到APEX的顶点，软件与车辆动力学合二为一，实现了这样的圈速。

05

人与机器的对决

现在只剩下一个问题：我们能用这辆车比真正的人类更快吗？我想说，我们可以。

因为我们发现，橙色标注的这位是梅赛德斯的一位测试车手。这个人每天都在驾驶赛车。我们比他快了2.6秒。所以我们的软件战胜了人类。

但他是测试车手。所以我们也邀请了蓝色标注的这位。很多人可能不认识他，你可以搜索一下。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。我们让他坐进车里，我们比他快了一秒。

所以基本上，我们能用这辆车战胜人类。

但当然，我们想和最强的车手较量。于是我们邀请了一位叫乔治·拉塞尔的人。他目前排在F1车手锦标赛的第二位。

很遗憾，我们比他慢。但这没关系。这就是研究。瞄准目标去尝试，虽然没有实现。乔治·拉塞尔比我们每圈快大约1.5秒，这背后有几个原因和经验教训。

关键原因在于，他的手动驾驶操作得比我们更快一点。他的反应时间，尤其是在复合弯道中，比我们更优。

但我想用一张图来结束这次演讲。

你在绿色区域看到的，都是我们的赛车比乔治更快的赛段。这意味着，我们知道如何在赛道的多个部分击败他。但我们还有很多需要弄清楚的地方。

站在这里，我实际上不是站在巨人的肩膀上，而是站在我团队的肩膀上。因为我之前没有告诉大家的是，我们这个团队实际上赢得了两次比赛。

所以最后一课，不是技术层面的。如果你想赢，关键在于合适的团队和人。

06

Q&A 问答环节

听众提问： 你之前展示了真实赛道上的视频，但在优化系统的过程中我们没有看到超车动作。你是否考虑了其他车手的决策行为？他们不只是动态障碍物，也有自己的决策。

Johannes Betz： 是的，完全正确。我必须诚实地说，赛车运动中总是有规则。在这种情况中，比如另一辆车必须保持在赛道外侧、对方不能突然切到我们前面，诸如此类的情况。如果他们失去了弯心权，对方车辆就会这么做。

类似的问题，我相信有很多聪明人在研究，交互主要来自我们的预测模型，用于预判其他车辆的行为。

实际上，在某些时刻这还挺容易的，因为赛道上空间不大。你总是可以假设对方车辆在跑一条赛车线。

但是交互，比如对方车辆向左或向右移动时，当然需要建模，而这会影响我们的运动规划器。否则赛车就不会做出回应。

听众提问： 我看到你提到了APEX，我知道也有其他人在做相关研究。我想了解一下你们的学习机制是什么？是强化学习，还是什么概念？它是如何与控制算法互动的？

Johannes Betz：其他人也在用类似的方法。但对我们来说，目标是超越人类，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。复制人类，然后超越。这正是我们试图弄清楚的事情。

所以我们建模的基础是：首先，理解人类如何处理，将其捕捉为软件，然后超越。

具体来说，各个组件从简单的启发式方法开始，捕捉轮胎状态，捕捉动力学，然后纳入学习部分。这可以从简单的机器学习开始。我们也在尝试用强化学习做实验。我认为这是一个很好的方向。

但目前，我们采用的是简单的建模方式，将所有要素组合在一起，然后得出一个KPI，让我们的车能够更快地行驶。

所以我会说，我们的方法是逆向工程。了解人类是如何做到的，然后用机器人学社区所拥有的技术，让赛车真正地去执行。

听众提问： 你提到多传感器融合对你们的系统至关重要。要实现精确的多传感器融合，就需要多传感器标定。我想问你的是，你们在赛车上的标定方法是怎样的？

Johannes Betz： 我们有一个工程团队专门处理各种标定工作。我们不做在线标定，这非常重要。所有标定都是离线、提前完成的，传感器到传感器之间的标定。对我们来说，这种准备工作足以在赛道上进行比赛。

我们当然也需要多次重新标定赛车，特别是刚出厂时悬挂系统非常僵硬。但我们在标定方面没有遇到太多问题。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。