从零构建赛道摩擦地图:global_racetrajectory_optimization的frictionmap网格生成实战(cKDTree实现原理拆解)

原创2026-11-14 09:25:502,266 阅读

从零构建赛道摩擦地图:global_racetrajectory_optimization的frictionmap网格生成实战(cKDTree实现原理拆解)

📍 本文带你完整走一遍 global_racetrajectory_optimization 开源项目的赛道摩擦地图(friction map)生成流程:从读取赛道参考线、切分网格单元格,到用 cKDTree 空间索引加速查询。即使你是第一次接触轨迹优化,也能照着跑通自己的第一张摩擦地图。

赛道摩擦地图可视化:Berlin赛道上不同区域的摩擦系数μ分布与最优赛线

上图就是项目文档中展示的 Berlin FE 赛道摩擦地图(来源:opt_mintime_traj/Readme.md):红黄色区域代表高摩擦路面,蓝绿色代表低摩擦路面。当赛车开到不同位置时,四个车轮实际能获得的横向抓地力各不相同,最小圈时优化器会利用这张地图"扬长避短",从而压出更快的圈速。

一、赛道摩擦地图是什么?为什么需要它

传统最优化赛线求解通常假设全赛道摩擦系数 μ 恒定(例如统一取 1.0)。但真实赛道存在磨损带、雨水痕迹、砂石分布等,路面摩擦值随位置变化。

global_racetrajectory_optimization 项目的核心创新之一,就是把摩擦系数做成一张空间地图,并在最小圈时(minimum time)优化中按车轮位置逐一查表。项目 Readme.md 中引用了相关论文(Hermansdorfer 等,A Concept for Estimation and Prediction of the Tire-Road Friction Potential for an Autonomous Racecar),本仓库实现了其中的摩擦地图生成部分。

工作流程可以概括为三句话:

  1. 网格化:用 main_gen_frictionmap.py 把赛道切成一格一格的"摩擦单元格";
  2. 填值:每个单元格默认填入初始 μ 值(真实项目中可替换为传感器估计值);
  3. 查询:最优化求解时用 cKDTree 快速查到任意坐标点所属单元格的 μ。

二、项目结构与数据准备 🗂️

仓库目录结构如下(关键部分):

路径 作用
main_gen_frictionmap.py 摩擦地图生成主脚本(本文主角)
frictionmap/src/reftrack_functions.py 参考线加载、法向量与赛道边界计算
frictionmap/src/plot_frictionmap_grid.py 网格 / Voronoi 图可视化
opt_mintime_traj/src/friction_map_interface.py FrictionMapInterface 查询接口(cKDTree 核心)
inputs/tracks/ 赛道参考线 CSV(x, y, 右侧宽, 左侧宽)
inputs/frictionmaps/ 生成的 *_tpamap.csv 与 *_tpadata.json
params/racecar.ini 车辆与优化参数

输入赛道文件格式:以 inputs/tracks/berlin_2018.csv 为例,每行是参考线上的一个点,四列含义为 [x_m, y_m, w_tr_right_m, w_tr_left_m],即坐标 + 参考线左右两侧到赛道边界的距离(参见 Readme.md 的 "Wording and conventions" 一节)。

环境依赖:摩擦地图生成只需要 numpy、matplotlib、scipy(提供 cKDTree 与 Voronoi),安装方式见 requirements.txt:

pip3 install -r requirements.txt

三、四步生成摩擦地图网格 🏁

打开 main_gen_frictionmap.py,最上方的 USER INPUT 区有 5 个参数,以默认配置为例:

track_name = "modena_2019"    # 赛道名,需在 inputs/tracks 下有同名 csv
initial_mue = 0.8             # 所有单元格的初始摩擦系数
cellwidth_m = 2.0             # 网格边长(米),正方形单元格
inside_trackbound = 'right'   # 内边界在右侧(环道必填)
bool_show_plots = True        # 是否弹出可视化窗口

执行 python main_gen_frictionmap.py 后,脚本内部依次完成四步:

第 1 步:加载参考线并计算赛道边界

  • reftrack_functions.py 的 load_reftrack 读入 CSV;
  • check_isclosed_refline 判断首尾点距离是否小于 10 m,从而区分环道(circuit)和开放路段;
  • calc_refline_normvecs 用相邻点梯度与 z 轴叉积,求出每个点指向右侧的单位法向量(见 calc_trackboundaries,reftrack_functions.py);
  • 边界坐标 = 参考线 ± 法向量 × 半宽,得到左右两条赛道边线。

第 2 步:铺满赛道的二维坐标网格

脚本先算出一个向外扩张的包围盒 xyRange(在赛道外接矩形基础上再加 max(右宽)+max(左宽)+5m 的余量),然后用 np.arange 按 cellwidth_m 步长铺出 x_grid、y_grid,拼接成一张覆盖整个包围盒的密集坐标矩阵 coordinates(见 main_gen_frictionmap.py)。

💡 先铺满再筛选,而不是直接在赛道内采样,是因为 matplotlib.path.Path 的 contains_points 可以对整批坐标做向量化批量判断,效率很高。

第 3 步:只保留"在赛道上"的网格点

这是网格生成中最关键的一步(main_gen_frictionmap.py):

  • 留一个 dist_to_trackbound = cellwidth_m * 1.1 的外扩余量,让赛道边缘外再多保留一圈单元格;
  • 环道情况:用外侧边界多边形(半径 +1.1 倍格宽,相当于"膨胀")与内侧边界多边形(半径为负,相当于"收缩")分别做包含判断,取在膨胀外边界内、且不在收缩内边界内的网格点——正好形成覆盖赛道 + 一圈边距的"带状"单元格集合;
  • 开放赛道情况:把内、外边界拼成一个闭合多边形,向内收缩一个余量后直接取内部点。

第 4 步:构建 cKDTree 并落盘

tpa_map = cKDTree(coordinates[bool_OnTrack])          # 空间索引
tpa_data = dict(zip(tpamap_indices, np.full(...)))    # 索引 -> [初始μ]

最终输出两个文件到 inputs/frictionmaps/(带时间戳前缀):

  • *_tpamap.csv:只存单元格的 x_m;y_m 坐标(柏林赛道、2m 格宽下约有 10.4 万行,参见 berlin_2018_tpamap.csv);
  • *_tpadata.json:以单元格索引为 key、μ 值为 value 的字典(参见 berlin_2018_tpadata.json)。

如果开启 bool_show_plots,还会调用 plot_frictionmap_grid.py 画出散点网格和 Voronoi 图——每个网格点生成一个 Voronoi 单元,直观展示"谁负责哪块路面"。

四、cKDTree 实现原理拆解 🔍

为什么项目选择 scipy.spatial.cKDTree 而不是普通的二维数组?核心原因有三点:

  1. 赛道形状不规则。网格点只落在赛道"带状"区域内,无法用一个规则的 [rows, cols] 数组按行列索引;
  2. 查询模式是"任意坐标 → 最近格点"。最优化求解时每个车轮的位置是任意浮点坐标,需要找它最近的网格中心,这正是 KD-Tree 的近邻查询场景;
  3. 速度快。KD-Tree 是一种二叉空间分区树:每个节点按坐标轴(x/y 交替)把点集一分为二,查询时只沿"目标点所在的一侧"优先递归,平均复杂度约 O(log n)。10 万个格点,单次查询微秒级,批量查询更是直接走向量化 C 实现(cKDTree 中的 c 即 C 加速版)。

查询接口封装在 opt_mintime_traj/src/friction_map_interface.py 的 FrictionMapInterface 类中:

  • __init__:np.loadtxt 读入 csv 坐标 → cKDTree(map_coords) 建树;json 读入后转成 {int(key): value} 字典;
  • get_friction_singlepos(positions):调用 self.tpa_map.query(positions)(friction_map_interface.py)一次拿到每个查询点最近的单元格索引,再查字典取出 μ 值。

这里有一个巧妙的设计:μ 数据不存进树里,而是用"行号索引 → 字典 key"的对应关系分离存储。这样做的好处是换摩擦数据不需要重建空间索引——赛道几何(tpamap)固定不变,只是把 tpadata 里的 μ 值换掉即可,非常适合"同一赛道、不同路面状态"的对比实验(仓库里就备有 berlin_2018_varmue08-12_tpadata.json、berlin_2018_varmue09-11_tpadata.json 两组变体数据)。

五、摩擦地图如何接入最小圈时优化 🏎️

地图生成后,main_globaltraj.py 通过 file_paths["tpamap"] 和 file_paths["tpadata"] 指定文件(命名规则:赛道名_tpamap.csv / 赛道名_tpadata.json),并支持三种摩擦模式(见 opt_mintime_traj/Readme.md):

var_friction 行为
None 全赛道恒定 μ,不用地图
"linear" 沿法向对每车轮的 μ 做线性拟合近似
"gauss" 用高斯基函数线性组合近似,表达能力更强

处理链路为:

  1. extract_friction_coeffs.py:沿参考线每个切点,在法向量上按 dn 步长取点,计算四个车轮(前左/前右/后左/后右)各自的坐标,逐一调用 FrictionMapInterface.get_friction_singlepos 查表,得到"沿赛道的 μ 剖面";
  2. approx_friction_map.py:把离散剖面拟合为解析表达式(线性或高斯基函数),让 NLP 优化器可以直接在求解过程中调用 μ(n) 函数,而不必反复查离散表。

下图是 Berlin 赛道最小圈时优化的最终赛线结果(opt_raceline_berlin.png,见 Readme.md):

Berlin赛道最小圈时最优赛线与赛道边界对比图

六、常见问题与参数建议 ✅

Q1:格宽 cellwidth_m 怎么选? 格宽决定地图分辨率与计算开销。格宽越小 μ 变化捕捉越精细,但单元格数量随面积近似按 1/格宽² 增长(2m 格宽的柏林赛道约 10.4 万个单元格,1m 格宽则约 4 倍)。建议从 2~3 m 起步。

Q2:inside_trackbound 填错会怎样? 环道下内/外边界判断方向会反,导致选出的网格带整体偏移或为空。若生成的 tpamap 单元格数量异常(为 0 或少得离谱),优先检查该参数。

Q3:生成的文件命名带时间戳,main_globaltraj.py 却按 赛道名_tpamap.csv 找文件? 生成脚本的文件名带 datetime_save 时间戳,用于避免覆盖;跑最优化前,请把文件重命名为 {track_name}_tpamap.csv 与 {track_name}_tpadata.json(仓库 inputs/frictionmaps/ 下的既有文件就是这种命名)。

Q4:想让某些区域 μ 不同? tpadata 本质是"索引 → μ"字典,跑通生成流程后,可以手工改写 json 中对应区域的值(或用感知/估计模块填充),空间索引无需重建。

七、总结

  • main_gen_frictionmap.py 用"铺满网格 → 多边形包含判断筛选 → cKDTree 建索引 → csv/json 分离落盘"四步,把任意赛道切分成带 μ 值的摩擦地图;
  • cKDTree(KD 空间树)让"任意坐标 → 最近单元格"的查询达到对数复杂度,是整张地图可被优化器高频调用的关键;
  • 地图最终通过 FrictionMapInterface 为最小圈时优化提供逐车轮的变摩擦系数,让赛线规划真正考虑路面异质性。

按本文流程,你只需要准备一份赛道 CSV 和一行 python main_gen_frictionmap.py,就能从零得到自己的第一张赛道摩擦地图 🎯

登录后查看全文
global_racetrajectory_optimization