谁是第一？世界上首批无人驾驶赛车以超过250公里时速进行竞赛

六辆无人驾驶赛车在阿布扎比亚斯码头赛道上以超过250公里时速相互追逐，没有驾驶员，没有远程操控，只有代码与算法在毫秒间做出生死攸关的决策。2025年11月15日晚，阿布扎比自动驾驶赛车联盟举办的首场总决赛，标志着自动驾驶技术进入了一个全新的验证维度——在极限速度和轮对轮竞争的压力下，机器能否像人类赛车手一样兼顾速度与判断力。德国慕尼黑工业大学车队最终夺冠，但更引人关注的是比赛中段发生的碰撞事故。当意大利摩德纳大学的赛车在尝试超越慢车时与对手发生接触并冲出赛道，这一幕既展示了自动驾驶系统在复杂动态环境中的决策能力，也暴露了其仍然存在的局限性。

这场比赛不仅仅是一次技术展示。它是一个公开的压力测试平台，将自动驾驶系统置于传统实验室无法复制的极端条件下。在赛道上，算法必须在几毫秒内处理来自激光雷达、摄像头和惯性测量单元的海量数据，预测对手行为，规划超车路线，同时保持车辆稳定性。任何延迟或错误都会立即显现——不是通过数据表格，而是以车辆冲出赛道或碰撞的形式。

从杆位到碰撞的20圈

慕尼黑工业大学车队从杆位发车，但领先优势仅维持了几圈。摩德纳大学的赛车展现出本赛季最快的自主驾驶速度之一,在第二圈结束前于第6弯完成超车。随后两队展开了一场持续超过半程比赛的高速对决，双方车速经常超过250公里每小时,时间差距始终保持在一秒以内。这种轮对轮竞速在人类赛车中已属常见,但对于完全依靠算法驾驶的赛车而言，却是前所未有的成就。

自动驾驶赛车的超车决策比人类更加复杂。人类车手可以通过经验和直觉判断对手的意图,预测其可能的走线。而自动驾驶系统必须依靠传感器数据和算法模型。车载计算机需要实时分析前车的速度、加速度、转向角度,结合赛道地图、轮胎状态、空气动力学参数,在极短时间内计算出最优超车时机和路线。摩德纳大学车队能够在如此高速下完成超车并保持领先,证明其感知系统、决策算法和控制系统已达到相当成熟的水平。

但技术的成熟并不意味着完美。比赛进行到中段,领先的摩德纳赛车接近尾部慢车。在尝试超越与德国车队争夺第六名的慢车时,摩德纳赛车在弯中与对手尾部发生接触,两车同时冲出赛道。这一事故的原因尚未公布详细技术分析,但可能涉及多个因素：传感器对慢车相对位置的判断偏差、对其减速幅度的预测失误、或是在多车近距离情况下算法优先级设置的问题。

世界上首批全自动驾驶赛车在阿布扎比以155英里每小时的速度正面交锋。 AR2L

摩德纳大学车队负责人马尔科·贝尔托尼亚在赛后坦言："即使是人类赛车手也无法避免我们发生的碰撞。这就是高性能赛车的本质。"这一表态既承认了事故的客观性,也暗示了自动驾驶系统在处理极端情况时与人类判断的相似性。慕尼黑工业大学车队因此重新领先并保持到终点。尽管失去冠军,摩德纳车队仍获得了最快圈速奖,证明其系统在单圈速度上的优势。

感知、决策与控制的三重挑战

自动驾驶赛车集成了当前最先进的人工智能技术。与公路上的自动驾驶汽车相比,赛车面临的挑战在某些方面更加极端。首先是速度。公路自动驾驶通常在60-120公里时速范围内运行,而赛车速度可达250公里甚至更高。这意味着传感器必须在更远距离、更短时间内获取准确信息,计算系统必须以更高频率处理数据和更新决策。

感知系统是自动驾驶的基础。赛车通常配备激光雷达、毫米波雷达、多个摄像头和惯性测量单元。激光雷达提供高精度的三维空间信息,能够准确测量与其他赛车、赛道边界的距离。毫米波雷达在恶劣天气下性能更稳定,可以探测前方车辆的速度。摄像头识别赛道标线、信号灯和其他视觉信息。惯性测量单元监测车辆自身的加速度、角速度和姿态。

这些传感器数据需要通过融合算法整合成统一的环境模型。目前主流的方法是鸟瞰视角感知,将多个传感器的数据投影到以车辆为中心的俯视坐标系中,形成一个实时更新的周围环境地图。这种方法可以更好地处理传感器视野重叠、遮挡和盲区问题,提高感知的鲁棒性。

在决策层面,自动驾驶赛车需要解决比公路驾驶更加复杂的博弈问题。公路驾驶主要是规则遵守和避障,而赛车竞速涉及与对手的直接对抗。系统需要预测对手的行为,判断其防守策略,寻找超车机会,同时防止被超越。这需要运用博弈论、强化学习等人工智能技术。索尼人工智能公司开发的GT Sophy系统通过深度强化学习,在《跑车浪漫旅》游戏中击败了人类世界冠军,展示了人工智能在赛车战术方面的潜力。

控制系统将决策转化为实际的车辆操作。赛车的控制精度要求极高,转向角度的微小偏差或油门刹车的时机不当都可能导致失控。传统的PID控制已无法满足需求,现代赛车普遍采用模型预测控制,基于车辆动力学模型预测未来短时间内的运动轨迹,并优化控制指令。一些先进系统还引入了自适应控制,能够根据轮胎磨损、燃油消耗等因素动态调整控制参数。

从赛道到街道的技术迁移

德国TUM在赢得比赛后庆祝。（AR2L）

阿布扎比自动驾驶赛车联盟将这项比赛定位为"公共领域的科学"。主办方、阿联酋总统顾问兼先进技术研究委员会秘书长费萨尔·阿尔·班奈表示："A2RL展示了当大胆的野心遇上科学纪律时会发生什么。这不仅仅是一场比赛,它是一个加速自主系统未来的试验场。"

赛车运动长期以来都是汽车技术创新的催化剂。从空气动力学、轻量化材料到涡轮增压、碳纤维刹车盘,许多最初在赛道上验证的技术最终进入了量产汽车。自动驾驶领域也遵循类似的路径。赛车环境的极端性使其成为理想的技术验证平台。在赛道上能够稳定工作的感知算法,在公路上的可靠性会更高。在高速追逐中能够准确预测对手行为的决策系统,在处理城市交通的复杂场景时将更加游刃有余。

具体而言,赛车技术对民用自动驾驶的贡献体现在多个方面。首先是传感器融合算法的优化。赛车需要在极高速度下实时处理多源数据,这推动了更高效的数据融合架构和算法。其次是极限工况下的控制稳定性。赛车经常在轮胎抓地力极限附近工作,这要求控制系统能够处理非线性动力学和快速变化的路面附着条件。这些技术对于民用车辆在湿滑路面、紧急避险等场景下的安全性提升具有重要价值。

此外,赛车还验证了人工智能算法在安全关键系统中的可靠性。公路自动驾驶对安全性的要求极高,任何算法失误都可能导致严重后果。赛道提供了一个相对可控的环境,允许算法在真实物理系统上进行压力测试,发现和修复潜在问题。摩德纳赛车的碰撞事故虽然导致了比赛失利,但为理解自动驾驶系统在多车交互场景下的行为提供了宝贵数据。

L4级别商业化的漫长之路

自动驾驶技术通常被分为五个等级。L1和L2是辅助驾驶,驾驶员仍需时刻监控。L3是有条件自动驾驶,系统在特定条件下可以完全接管,但需要驾驶员准备随时接管。L4是高度自动驾驶,在限定区域和条件下完全无需人类干预。L5是完全自动驾驶,可以在任何环境下运行。

A2RL的赛车属于L4级别——它们在封闭赛道上完全自主运行,无需人类干预。但这与公路上的L4级别自动驾驶有本质区别。赛道是高度结构化的环境:路线固定、没有行人、没有交通信号、其他车辆行为模式相对可预测。公路环境则复杂得多:道路状况千变万化、交通参与者众多、突发事件频繁、法律法规限制严格。

中国在L4级自动驾驶商业化方面走在世界前列。根据2025年发布的《中国智能驾驶商业化发展白皮书》,Robotaxi——即采用L4和L5级自动驾驶技术的共享出行汽车——正在多个城市进行大规模测试和试运营。但该报告也指出,受前期投入高、技术成熟度和政策法规等因素影响,大规模商业化仍需时日。

尤尼莫尔的坠机。（AR2L）

业界对L4级别的商业化时间表存在不同预测。相对乐观的观点认为,2027年将开启试商用,2030年在部分场景实现规模化应用。更为保守的估计则认为,完全无人驾驶的L5级别要到2035年后才能开始应用。无论如何,从技术成熟到商业普及都需要经历漫长的验证、优化和监管审批过程。

A2RL赛事进入第二赛季,已有来自美国、法国、日本、阿联酋等国的车队加入,全球影响力进一步提升。2025年4月的比赛设置了225万美元的奖金池,吸引了更多高校和研究机构参与。北京理工大学"飞鹰队"作为东南亚地区的代表参赛,展示了中国在自动驾驶技术研发方面的实力。参与这类国际赛事,不仅能够验证技术水平,也促进了学术交流和人才培养。

算法也会犯错

摩德纳车队负责人的赛后评论耐人寻味:"我们的速度、超车,都显示了我们达到的职业水平。即使是人类赛车手也无法避免我们发生的碰撞。"这句话触及了自动驾驶系统面临的一个核心哲学问题:我们应该期待机器比人类更完美,还是接受它们也会像人类一样犯错?

在公众讨论中,自动驾驶往往被要求达到近乎完美的安全标准。任何事故都会引发广泛质疑。但统计数据表明,人类驾驶员导致的事故率远高于成熟的自动驾驶系统。美国高速公路交通安全管理委员会的数据显示,94%的交通事故由人为失误引起。从这个角度看,即使自动驾驶系统偶尔犯错,只要其整体安全性优于人类,就应该被接受和推广。

但另一方面,算法的错误与人类的错误在性质上有所不同。人类的失误往往是个体的、随机的,而算法的缺陷可能是系统性的。一个软件漏洞可能影响数千辆使用相同系统的车辆。这要求自动驾驶技术的开发必须格外谨慎,建立完善的测试验证体系和安全冗余机制。

赛道上的碰撞提供了一个相对低风险的学习机会。赛车配备了完善的安全装置,赛道设有缓冲区,事故后果通常不会造成人员伤亡。通过分析碰撞数据,工程师可以识别算法的薄弱环节,改进感知模型、优化决策逻辑、完善控制策略。这些改进最终将提升整个自动驾驶系统的安全性和可靠性。

从155英里时速的轮对轮竞速到城市街道的安全行驶,自动驾驶技术正在经历从实验室到真实世界的艰难跨越。阿布扎比赛道上的较量,既展示了算法的强大能力,也暴露了其现实局限。但正如费萨尔·阿尔·班奈所言,这场比赛的价值不在于立即产生完美的技术,而在于建立公众对即将改变城市、天空和工业的自动驾驶技术的理解和信任。在代码与速度的交锋中,未来出行的轮廓正在逐渐清晰。