不止追求世界模型:自动驾驶赛车,正在逼出感知系统的真正极限

如果把“自动驾驶最难的问题”拿出来问，大多数人第一反应会是：长尾场景、复杂城市交通、行人和非机动车、施工区、天气变化、规则博弈……

这些当然都难。

但如果把场景换到自动驾驶赛车，答案会突然变得不一样。在这里，没有乱穿马路的行人，没有社会车辆插队，也没有开放道路上那些无穷无尽的类别和长尾干扰。赛道是封闭的，对手是有限的，规则是明确的。看起来，问题似乎变简单了。

可真正做进去才会发现，赛车场景考验的不是“识别世界的广度”，而是“在极限动态下更新对手状态的速度”。 F1 官方对重刹阶段的解释提到，现代 F1 赛车制动时可产生超过 5g 的减速度；以巴塞罗那某典型重刹点为例，赛车可以在约 2.46 秒、125 米内从 310 km/h 降到 106 km/h。换句话说，按 300 km/h 粗算，100 毫秒已经是 8.3 米。对轮对轮攻防来说，8 米不是“小延迟”，而是一个车位、一条防守线，甚至是一整次超车机会。

所以，自动驾驶赛车真正逼问行业的，不是“模型够不够大”，而是另一个更硬核的问题：

在几十毫秒里，你能不能把最关键的对手状态，更新到闭环可用？

这，才是自动驾驶赛车最有价值的地方。

在极限驾驶里，车手看到的不是‘前方有车’，而是‘我还剩多少时间做判断’。

很多人会觉得，赛道环境比城市道路简单得多：目标就那几辆车，类别又单一，做个检测识别不就够了吗？

如果只是单帧离线识别，这事确实不算最难。但一旦把它放进高速对抗的闭环里，问题就完全变了性质。

在普通自动驾驶里，感知系统很多时候回答的是：“前面有什么？”而在赛车里，感知系统要持续回答的是：“前面那辆车此刻到底在哪、下一瞬会往哪、我这次进攻还能不能成立、我现在到底该信哪一个传感器？”

所以，赛车场景里的感知，核心已经不是单纯检测识别，而是对手状态估计。

它至少要包含这些内容：

• 对手车中心位置与朝向

• 纵向、横向相对速度

• 车身包络与接触风险区域

• 短时轨迹趋势与意图

• 当前估计的置信度、延迟和“新鲜度”

也就是说，规划控制真正想吃的，不是一个 box，而是一个带时间戳、带置信度、能直接参与博弈的对手状态。近期自动驾驶赛车公开工作已经越来越往这个方向收敛：意大利车队PoliMOVE 把低延迟检测跟踪和异步融合放到核心位置，韩国KAIST 强调多模态感知—规划—控制的整栈协同，德国TUM 在 A2RL 中直接把多车交互、赛道规则和极限操稳放到同一个框架下处理。

真正能把这件事讲明白的，不是抽象概念，而是具体画面。

想象这样一个场景：前车守内线，你带着尾流冲进制动区。在这一瞬间，人类顶尖车手脑子里不会只想“前面有辆车”，而是同时判断：

• 我跟他的 接近速度 还有多少

• 他是真的守内线，还是准备假动作后切

• 我能不能更晚刹而不冲出弯

• 他是不是已经占住 apex（弯心）

• 我这一把进去，是完成超车，还是直接把自己送出赛道

这也是为什么重刹区是最能体现“感知新鲜度”价值的地方。 这里真正致命的，不是偶尔漏检，而是结果过时。一条 80~100 ms 前的目标状态，哪怕离线看起来很准，一旦进了高速轮对轮博弈，也可能立刻失去价值。

把这个逻辑放回自动驾驶赛车，就会发现一个非常尖锐的结论：

在极限动态下，很多时候不是“精度高一点”更重要，而是“状态新一点”更重要。

这也是为什么 PoliMOVE 2025 的工作会专门强调基于延迟感知的跟踪与融合：他们不是只追求“更好看的检测结果”，而是在解决“更及时的可用状态”。其 LiDAR 跟踪工作面向超过 275 km/h 的自主超车场景，后续的 LiDAR-RADAR 融合工作进一步把雷达的距离变化率、传感器时延补偿、乱序量测重处理等显式写进系统设计里，本质上都在回答同一个问题：高速闭环里，怎么拿到最新且可信的目标状态。

时速 300 km/h 下，100 毫秒约等于 8.3 米；在轮对轮攻防里，这不是小误差，而是整次决策窗口的一大块。

如果说重刹区说明了“为什么快很重要”，那 F1 那些经典的连续攻防，则说明了为什么连续稳定比单次识别更重要。

2022 年巴林站，Leclerc 与 Verstappen 的那段经典缠斗，被 F1 官方评价为新规则下轮对轮对抗的代表性场景。Palmer 的分析提到，两人在短短几圈里一共交换了 6 次位置，而这种连续压迫与反压迫，正是新规则想要鼓励的比赛画面。

这件事对自动驾驶赛车的启发非常大。因为在这种场景里，感知系统不是识别一次就结束了，而是必须在一个短时连续博弈链里，稳定跟住目标状态：

第一拍，你判断对手守内线；第二拍，他可能故意刹早，逼你冲过头；第三拍，他利用出弯牵引重新反超；第四拍，双方可能再次进入 DRS 或尾流攻击范围。

所以赛车感知真正的难点，从来都不是“这一帧看没看见”，而是：

能不能在连续三拍、四拍、五拍的状态变化里始终不丢。

这也是为什么单纯把普通自动驾驶里的检测器直接搬到赛车上，往往不够。你要做的不是“识别一辆车”，而是“跟住一个正在博弈的对手”。

轮对轮博弈的关键，不是一帧识别成功，而是在连续攻防中始终跟住对手状态变化。

普通自动驾驶里，知道“这有辆车”，很多时候就够了。但在赛车里，这远远不够。

F1 官方 2025 年对驾驶行为规范准则的解释非常适合拿来说明这个问题：在内线超车场景里，超车方如果在入弯前并在 apex 时，其前轴已经至少到达对方后视镜附近的位置，就应当被给予足够空间。换句话说，赛车攻防的合法性和安全性，很多时候取决于一种非常细的几何关系，而不是简单的“有没有车”。

这直接导出一个对自动驾驶赛车特别重要的结论：

赛车感知需要的不是粗粒度 box，而是精细化的车身几何关系。

例如：

• 对方前轮是否已经和我后轮平齐

• 车头是否已经探入我的侧后方

• 哪一侧接触风险更高

• 我还能不能继续收线

• 当前最危险的是车头前角、后轮，还是侧箱附近

这也是为什么，面向轮对轮对抗的视觉感知，很值得从“车体级检测”继续往前走到：

• 轮点估计

• 车身包络估计

• 接触风险区域预测

• 车身重叠/右侧入弯几何关系判定

这个方向现在公开文献还不算特别拥挤，反而是很容易做出赛车特色的地方。

A2RL 这类平台之所以有研究价值，一个重要原因就在于它把“多传感器融合”这个词，从论文口号变成了真实压力测试。

公开资料显示，A2RL 赛车使用了七个摄像头、四个雷达、三个激光雷达，以及 GPS/IMU 和车端计算平台；2025 赛季官方也强调其传感器与计算栈进行了升级，以更好地评估车辆周围条件。与此同时，A2RL 已在 2025 年实现了六车自主总决赛、实时 AI 决策和更激进的超车展示。

但真正难的地方不在于“传感器够不够多”，而在于：

当它们的结论不一致时，你信谁？

比如：

• 视觉能给出细粒度外形与几何关系，但在逆光、热浪、远距小目标下会掉质

• LiDAR 几何精确，但在起伏赛道、遮挡、点云稀疏情况下会退化

• 毫米波雷达分辨率没那么高，但对相对速度非常敏感

• GNSS/INS 能提供自车稳定定位，却不能直接替代近距对手感知

所以，下一代赛车感知最值得做的一条线，不是把所有模态机械拼接，而是做成可用性感知驱动的选择性融合： 谁在这一刻更可靠，谁就拥有更高的话语权。

PoliMOVE 2025 的 LiDAR-RADAR 融合工作已经体现出这种思路：它没有把多模态简单堆叠，而是显式利用不同传感器的互补特征，把距离变化率、时延和量测乱序问题放到统一跟踪框架里。

A2RL 的价值，不只是让车自己跑，而是把多传感器实时裁决与闭环决策推到高速极限。

近几年的公开论文很值得一起看，因为它们共同勾勒出了 autonomous racing 的技术主线。

顶尖团队的公开路线越来越一致：不是做孤立 detector，而是做面向闭环的对手状态估计系统。

三

自动驾驶赛车对行业真正的价值：它提前暴露了自动驾驶最不能妥协的那部分问题

自动驾驶赛车当然是比赛。但它更是一种极限测试场。

因为它把自动驾驶里最不能妥协的几个问题，压缩到了一个异常纯粹的场景里：

• 高速

• 高机动

• 低延迟

• 多车博弈

• 强闭环

• 多传感器冲突

• 高代价失误

在开放道路上，自动驾驶追求的是广覆盖；在赛车赛道上，自动驾驶追求的是极限能力。而很多真正决定系统上限的能力，恰恰是在这种极限环境下最容易被逼出来的。

所以，这个方向真正重要的地方，并不只是“哪支队伍拿了冠军”，而是它正在逼着整个行业重新认识一件事：

感知的价值，不只在于看得准，更在于看得快、看得稳、看得能直接进入闭环。

换句话说，开放道路最难的是长尾； 而轮对轮赛车最难的，是状态新鲜度。

四

结语

过去几年，自动驾驶领域最热的词是“大模型”“端到端”“世界模型”。这些方向当然重要。

但自动驾驶赛车正在提醒我们另一件同样重要的事：

在极限动态下，真正决定系统上限的，很多时候不是它会不会“理解世界”，而是它能不能在几十毫秒里，把最关键的对象状态看准、看稳、看得足够可控。

从这个角度看，自动驾驶赛车不是自动驾驶的边缘题目，反而可能是最核心问题的一块高压试验田。

谁能先在这里把感知做快、做细、做稳，谁就更有可能提前摸到下一代高动态智能系统的门槛。

五

参考文献

1. Rob Smedley explains how the new AWS Braking Performance graphic works, and what it will tell us. Formula1.com.

2. 1950 vs 2020: Cars, drivers, safety and pit stops — how F1 has changed in 70 years. Formula1.com.

3. PALMER: Why Leclerc and Verstappen’s Bahrain battle heralded a new era of wheel-to-wheel racing. Formula1.com.

4. EXPLAINED: F1's ‘Driving Standards Guidelines’. Formula1.com.

5. LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing. arXiv:2501.14502.

6. Target Tracking via LiDAR-RADAR Sensor Fusion for Autonomous Racing. arXiv:2505.20043.

7. An Autonomous System for Head-to-Head Race: Design, Implementation and Analysis; Team KAIST at the Indy Autonomous Challenge. arXiv:2303.09463.

8. Head-to-Head autonomous racing at the limits of handling in the A2RL challenge. arXiv:2602.08571.

9. A2RL official / TII official materials on sensor stack, season updates, and six-car grand final.