- 现有自动驾驶轨迹规划与控制方法在**极限加速机动(high-acceleration maneuvers)** 场景下性能不足，缺乏统一的开放式基准评测平台
- 高动态驾驶场景下，传统方法在**跟踪精度** 和**稳定性** 方面存在挑战，如转向振荡和执行误差累积
- 研究背景：推动自动驾驶极限性能需要模块化框架，便于单独和组合评估不同模块的效果
- 提出**模块化框架(modular framework)**，包含**时间最优赛道线生成(time-optimal raceline generation)**、**在线时间最优速度重规划(online time-optimal velocity replanning)**、**几何路径跟踪控制器(geometric path tracking controllers)**
- 设计**模型结构化神经网络(MS-NN, Model-Structured Neural Network)** 用于学习**逆动力学(inverse dynamics)**，实现精细的转向控制
- 在**1:10比例RoboRacer平台** 上部署，使用两条赛道进行实验，通过**消融实验(ablations)** 研究谨慎型(aggressive)和激进型(cautious)赛线的模块组合性能
- **首创性**：首次在**极限自动驾驶** 场景下提供开放的模块化基准框架，支持多种方法的公平比较和组合评估
- **模型结构化神经网络(MS-NN)**：将物理模型结构嵌入神经网络，既提升**跟踪精度** 又减少**转向振荡**，同时保持**物理可解释性(physically interpretable)**
- **在线速度重规划**：动态补偿执行误差，在不牺牲安全性的前提下显著提升**圈速(lap times)**，并允许车辆达到更高速度和加速度
- 为**极限自动驾驶轨迹规划与控制** 领域提供一个标准化的开放基准实验平台，促进社区研究和复现
- 通过大量消融实验揭示各模块贡献：证明MS-NN和在线速度重规划在提升性能和鲁棒性方面优于传统方法
- 开源代码、数据集和视频成果，支持后续研究，推动自动驾驶在**极限性能边界(limits)** 下的技术发展