Real-Time autonomous racing: the artificial race driver including initial contributions to shared control via the artificial race coach

Autonomous racing is a highly challenging domain that pushes the limits of vehicle planning and control to achieve minimum lap times under extreme conditions. This thesis addresses these challenges by introducing the Artificial Race Driver (ARD), a hierarchical framework for time-optimal motion planning and control at the limits of handling. At the top level, ARD employs an Economic Nonlinear Model Predictive Control (E-NMPC) augmented with a physics-based lateral speed prediction model. At the low level, steering commands are executed by a physics-informed neural network controller, which embeds vehicle dynamics priors into a feedforward structure. Separate longitudinal and lateral feedback controllers are identified to correct the commanded longitudinal acceleration and steering angle. These modules are integrated with a detailed neural vehicle model acting as a digital twin, enabling closed-loop identification and testing under realistic dynamics. Among the thesis’s key contributions is a two-lap learning strategy. In this approach, ARD uses telemetry from one lap to perform the entire identification procedure. It then validates its identification on the telemetry of a second lap (preferably performed on a different track or track configuration). This enables rapid adaptation to new circuits and vehicles with minimal prior data. The work also explores shared-control concepts through an Artificial Race Coach (ARC) framework—an experimental parallel system that can interact with a human driver. Inspired by studies showing that autonomous coaching can improve driver performance, ARC is designed to blend the autonomous planner with human input, illustrating the potential of interactive human–machine collaboration in racing. (ARC remains exploratory, highlighting a novel avenue rather than a completed solution.) ARD is evaluated through comprehensive simulation and real-world experiments. A custom high-fidelity driving simulator serves as a virtual testbed for closed-loop evaluation on multiple tracks and vehicles. In simulation, ARD’s trajectories and lap times are benchmarked against offline optimal-control solutions to assess the validity of the proposed method. The framework is then deployed on a real autonomous vehicle to validate real-time performance on track. Results show that ARD can execute aggressive, time-optimal manoeuvres safely and reliably, achieving lap times close to the theoretical minimum. In summary, this thesis demonstrates that combining model-based planning, physics- informed learning, and a detailed neural vehicle model enables an artificial driver to drive at the limits of handling even with limited data.

La guida autonoma in ambito racing è un dominio estremamente impegnativo, che spinge al limite le capacità di pianificazione e controllo del veicolo per ottenere tempi sul giro minimi in condizioni estreme. Questa tesi affronta tali sfide introducendo l’Artificial Race Driver (ARD), un framework gerarchico per la pianificazione e il controllo del moto a tempo minimo ai limiti dell’aderenza. Ad alto livello, ARD impiega un Economic Nonlinear Model Predictive Control (E-NMPC) arricchito da un modello fisico di previsione della velocità laterale. A basso livello, i comandi di sterzo sono eseguiti da un controllore basato su reti neurali physics-informed, che incorpora priori della dinamica del veicolo in una struttura feedforward. Controllori di feedback longitudinali e laterali separati vengono identificati per correggere l’accelerazione longitudinale e l’angolo di sterzo comandati. Questi moduli sono integrati con un modello neurale dettagliato del veicolo che funge da digital twin, consentendo identificazione e test in anello chiuso sotto dinamiche realistiche. Tra i principali contributi della tesi vi è una strategia di apprendimento su due giri di pista. In questo approccio, ARD utilizza la telemetria di un giro per eseguire l’intera procedura di identificazione. Successivamente, valida l’identificazione sulla telemetria di un secondo giro (preferibilmente effettuato su un tracciato o una configurazione di pista diversa). Ciò consente un rapido adattamento a nuovi circuiti e veicoli con una quantità minima di dati noti a priori. Il lavoro esplora inoltre concetti di controllo condiviso attraverso il framework Artificial Race Coach (ARC), un sistema parallelo sperimentale in grado di interagire con un pilota umano. Ispirato da studi che mostrano come il coaching autonomo possa migliorare le prestazioni del pilota, ARC è progettato per fondere il pianificatore autonomo con l’input umano, illustrando il potenziale della collaborazione interattiva uomo–macchina nelle competizioni. (ARC rimane esplorativo, evidenziando una nuova direzione di ricerca piuttosto che una soluzione completa.) ARD viene valutato mediante un’ampia campagna di esperimenti in simulazione e su veicolo reale. Un simulatore di guida personalizzato ad alta fedeltà funge da banco di prova virtuale per la valutazione in anello chiuso su molteplici tracciati e veicoli. In simulazione, le traiettorie e i tempi sul giro di ARD sono confrontati con soluzioni di controllo ottimo offline per valutare la validità del metodo proposto. Il framework viene quindi implementato su un veicolo autonomo reale per validarne le prestazioni in tempo reale in pista. I risultati mostrano che ARD è in grado di eseguire manovre aggressive e a tempo minimo in modo sicuro e affidabile, raggiungendo tempi sul giro prossimi al minimo teorico. In sintesi, questa tesi dimostra che la combinazione di pianificazione basata su modelli, apprendimento physics-informed e un modello neurale dettagliato del veicolo consente a un pilota artificiale di guidare ai limiti dell’aderenza anche con dati limitati.