RoboRacer: Forschung zum autonomen Fahren im Maßstab 1:10

Die RoboRacer-Plattform (früher bekannt als F1Tenth) bietet uns die Möglichkeit, im skalierten Maßstab einen bedeutenden Beitrag zur Forschung im Bereich autonomer Navigation zu leisten. Mit einer Ausstattung aus 2D- und 3D-LiDAR, Stereokameras, einer IMU, leistungsstarken Recheneinheiten und einer robusten Motorsteuerung ist sie eine Miniaturversion der Hardware unserer Full-Size-Fahrzeuge. Das RC-Chassis erreicht Geschwindigkeiten von bis zu 100 km/h und ermöglicht es uns, komplexe Verkehrssituationen wie Kreuzungen oder Staus realitätsnah zu simulieren – und das zu einem Bruchteil der Kosten. Gleichzeitig können Algorithmen unter verschärften Risikobedingungen getestet werden, bei minimalem Betreuungsaufwand.
Veröffentlichungen und Open Source Code Repositories
MIND-Stack: Modular, Interpretable, End-To-End Differentiability for Autonomous Navigation
F. Jahncke, J. Betz
IEEE Intelligent Vehicles Symposium (IV), 2025
doi: 10.1109/IV64158.2025.11097814 , PDF, Video, Code

GitHub Repository: RoboRacer-3DLiDAR
Dieses Repository enthält die notwendigen Treiber, um einen 3D-LiDAR-Sensor auf den RoboRacer-Fahrzeugen zu betreiben. Zusätzlich umfasst es einen robusten und in der realen Welt erprobten 3D-LiDAR SLAM.
Code
F1TENTH: Enhancing Autonomous Systems Education Through Hands-on Learning and Competition
J. Betz, H. Zheng, Z. Zang, F. Jahncke, F. Sauerbeck, Y. Zehng, J. Biswas, V. Krovi, R. Mangharam
IEEE Transactions on Intelligent Vehicles (T-IV), vol. 73, no. 8, pp. 10916-10931, 2024.
doi: 10.1109/TIV.2024.3495227, PDF, Video, Code

GitHub Repository: F1TENTH-Auxiliaries
Eine Sammlung essenzieller Tools und Ressourcen, die die Arbeit mit den autonomen F1Tenth-Rennfahrezeugen erleichtern.
Code
Unifying F1TENTH Autonomous Racing: Survey, Methods and Benchmarks
B. Evans, R. Trumpp, M.Caccamo, F.Jahncke, J. Betz, H. Jordaan, H.Engelbrecht
arXiv Preprint, 2024
doi: https://arxiv.org/abs/2402.18558, PDF
RoboRacer Team

Felix Jahncke Differenzierbare End-to-End Software Architekturen | Email: felix.jahncke@tum.de |

Yuan Gao Foundation Models | Email: yuan_avs.gao@tum.de |

| Muhammad Talha Masterarbeit - Control | Email: ibad.talha@tum.de |

| Simone Dario Masterarbeit - Control | Email: simone.dario@studenti.univr.it |

| Nicolas Hanna Masterarbeit - Planning | Email: nicolas.hanna@tum.de |

| Michael Angerer Masterarbeit - Active Perception | Email: michael.josef.angerer@tum.de |

| Paul Klopfer Semesterarbeit - RoboRacer Dataset | Email: paul.klopfer@tum.de |

| Purujit Vasuki Semesterarbeit - RoboRacer Dataset | Email: purujit.vasuki@tum.de |

| Nils Benjamin Ohlert Bachelorarbeit - Perception | Email: benjamin.ohlert@tum.de |

| Erich Efremov Bachelorarbeit - Planning | Email: erich.efremov@tum.de |
Unsere RoboRacer Einsatzgebiete
1. Forschung:
Doktoranden nutzen RoboRacer, um ihre Algorithmen vollständig auf der Plattform zu testen. Sie können schnell mit ersten Realversuchen beginnen, ohne zu viel Zeit in der Simulation zu verlieren. Die Forschung umfasst dabei die gesamte Pipeline von Perception bis Control, wobei ein besonderer Fokus auf lernbasierten und differenzierbaren Algorithmen liegt.
2. Studienarbeiten:
Studierende erhalten für ihre Bachelor-, Semester- oder Masterarbeit von Beginn an Zugang zu einem RoboRacer-Fahrzeug. Innerhalb von sechs Monaten arbeiten sie an ihrem Thema direkt auf der realen Hardware und sammeln so wertvolle Erfahrungen in der Praxis. Neben dem technischen Wissen in Bereichen wie embedded computing, Ubuntu, ROS2, Python, C++ und Machine-Learning-Bibliotheken wie PyTorch erwerben sie wichtige Kompetenzen, die sie optimal auf die Berufswelt vorbereiten.
3. Praktikum:
Im F1Tenth-Praktikum lernen Studierende innerhalb eines Semesters Schritt für Schritt die Grundlagen des autonomen Fahrens. Vom Verständnis von Ubuntu und ROS bis zur selbstständigen Entwicklung von Algorithmen für Perception und Control wird alles praxisnah vermittelt. Das Praktikum schließt mit einem eigenständigen Projekt ab, in dem die Studierenden eine Problemstellung erarbeiten, die Lösung implementieren und schließlich präsentieren sowie in einem kurzen Paper dokumentieren.


