突破 FS-AI 自動駕駛競賽瓶頸：從英國銀石賽道看軟體架構與實戰驗證
觀摩世界級賽事解法，運用 Quanser 虛擬與實體平台加速團隊演算法開發
身為 Quanser 學術應用團隊的負責人，我很榮幸能深入探索如何運用模擬（Simulation）、硬體（Hardware）與快速原型設計工具，協助學生加速從概念開發到實際驗證的完整工作流程。其中一個具代表性的應用範例，便是於英國銀石（Silverstone）賽道舉辦的學生方程式 AI賽事（Formula Student AI, FS-AI）。
從競賽的角度來看，FS-AI 的 AI 組別要求參賽隊伍運用模擬工具、車輛模型、感測器資訊與控制演算法，開發出完整的自動駕駛解決方案。競賽環境提供了一個結構化的方式，讓學生在面對複雜駕駛任務的同時，能針對感知（Perception）、定位（Localization）、路徑規劃（Path Planning）與車輛控制（Vehicle Control）等自動駕駛核心概念進行實作與驗證。
這項賽事最寶貴的價值之一，在於能與來自各校的學生團隊交流，親眼觀察不同隊伍如何針對相同的挑戰，提出各自的軟體架構、控制器設計與測試策略。我編寫這篇部落格文章的目的在於回顧 FS-AI 競賽，並進一步幫助 Quanser 使用者了解，如何運用我們的學術解決方案，來面對如在銀石賽道舉行這種時間緊迫的競賽。
賽前準備
任何優秀的競賽，前期的準備與規劃很重要。2026 年 3 月，英國機械工程師學會（IMechE）舉辦了一場入門線上研討會，詳細說明賽事所採用的 ADS（自動駕駛系統）車輛技術文件。學生隊伍也藉此了解由 ZF 提供的 HIL（硬體在環）模擬器、感測器規格以及車輛的操作優化細節。深入理解車輛資訊，是規劃並測試如何與 IMechE 車輛通訊架構對接的核心第一步。
這類的技術分享，為學生指引了競賽中將會接觸到的感測器類型。從此時起，學生即可開始著手建構自動駕駛軟體堆疊（Driving Stack）的技術骨幹。對於曾參賽的隊伍而言，這也是評估其演算法將參與哪些項目的競賽。包括：
直線加速（Acceleration）
8 字繞環（Skid Pad/Figure8）
衝刺賽（Sprint）
賽道駕駛（Track Drive）
從技術層面來看，學生需要定義或更新用於上述挑戰的軟體架構。軟體設計策略是決定隊伍能否在比賽中展現競爭力的關鍵。我們可將此階段稱為「軟體設計與開發階段」。
從旁觀者的角度，幾個核心問題油然而生：
是否應該採用單一且統一的軟體堆疊來應對所有競賽項目？
對於自動駕駛而言，哪些演算法最為關鍵？
各隊如何回答這些問題（或是延伸出更多問題），將直接奠定他們在銀石賽道上的表現。我們將探討這些問題，了解 Quanser 的學術資源如何在此關鍵階段提供協助。
競賽週
競賽週終於到來，各隊伍齊聚銀石賽道。最嚴峻的時間壓力隨之而來，備賽期間所做的各項決策，如今將對車輛的實際執行效能產生巨大影響。我們此時已進入「應用驗證與確認階段」。為了深入了解學生如何應對四項 AI 挑戰，我親自觀摩了硬體賽事與學生團隊的技術簡報。
在聆聽技術簡報以及與前來 Quanser 展位交流的隊伍討論時，我注意到以下趨勢：
使用 ROS Gazebo 進行控制與感知演算法的原型開發
基於過往的研究或參賽成果來建構軟體解決方案
部分隊伍採用小尺寸（Small-scale）解決方案來進行演算法的原型測試
參加 FS-AI 的硬體環節賽事的隊伍，必須先通過靜態測試，證明其具備安全操作車輛的能力。裁判會引導學生了解規則，確認能否安全操作 IMechE 提供之車輛。競賽日程也嚴格規定了靜態測試的截止時間以及四大動態項目的時程。密集的時程表給予學生隊伍極大的壓力，他們必須及時通過資格審查，以確保能在各階段賽事中取得嘗試或計分的機會。
為了確保公平性，大會安排了一天讓通過靜態測試的隊伍在測試賽道上使用同一台實車測試程式碼（針對動態賽事）。這讓隊伍能夠確認其軟體與所有硬體介面的運作正常。
那麼，四項競賽的實際結果如何？呈現出相當多元的表現。以下為參賽隊伍完成直線加速測試並精準停在指定區域的範例：
對某些隊伍而言，只要車輛能夠移動（即便演算法尚未達到最佳狀態）即代表成功；而對其他隊伍來說，成功則意味著車輛能夠流暢完成任務且未發生重大失誤。這引出一個問題：學生隊伍如何在前往銀石賽道之前，確保其解決方案能穩定可靠地運作，並充分測試新的演算法？這正是 Quanser 能幫助所有團隊之處。
Quanser 的核心價值
在觀看不同隊伍的比賽並了解各種成果後，我開始在 QLabs 環境中使用我們的虛擬 QCar2 對這些挑戰進行原型設計。我的目標是親自嘗試比賽中的各個要素，並在隊伍踏上真實賽場前，驗證他們可能採用的假設。
最終的過程非常純粹：一台電腦、一些時間，以及確保程式碼能夠執行並應對 FS-AI 競賽中的各項考驗。IMechE 所設計的挑戰項目確實全面考驗了自動駕駛賽車的每個層面，促使學生深刻檢視所採用的每一種方法。透過花時間對所有範例進行原型設計，並在不同的虛擬場景中進行測試，讓我對於隊伍如何從多元角度切入 FS-AI 競賽有了更深入的洞察。
最初，我嘗試在所有挑戰中使用相同的架構，但很快就轉為針對每個項目採取客製化的做法。就在這個階段——當我重新扮演技術開發者的角色時——我開始找到了最初提出問題的答案：
是否應該採用單一且統一的軟體堆疊來應對所有競賽項目？
我很快調整策略，針對不同挑戰撰寫了不同版本的 Python 程式碼，同時維持統一的車輛介面結構。事後回想，我開始針對賽車演算法進行參數調校，並建立了不同的駕駛模式（Profiles/Driving Modes），這有助於我釐清在各個挑戰中取得成功所需的子系統組件。
哪些演算法對自動駕駛很重要？
我所有的測試範例最終都歸結於相同的核心要素：影像視覺（Vision）、控制（Control）、狀態估測（Estimation）與行為規劃（Behaviour Planning）。對我而言相當有幫助的一點，是回頭複習 QCar2 課程教材中的技能學習單元，藉此鞏固基礎知識。
最後，我運用 QLabs 與 QCar2 為自己舉辦了一場黑客松。我只需要專注於驗證演算法與先前的假設。鑑於我們團隊在建立穩健車輛介面上所做的努力，我完全確信這些程式碼能無縫轉移至實體設備上執行。
回到 FS-AI 競賽，對於正在考慮參賽或剛起步、尚不確定從何開始的團隊，我想提出以下問題供大家思考：
團隊中是否存在知識斷層，導致新成員的上手時間（Ramp-up Time）被延長？
如何理解本次競賽中重要的概念，以及這些概念與目前實施方案升級的差異？
結語
像 FS-AI 這樣的競賽，能夠讓學生將課堂所學應用於真實世界的實務場景，極大地豐富其學術歷程。這也是 Quanser 能夠發揮關鍵作用的地方——透過提供應對自動駕駛競賽、專題與研究課題所需的完整課程範例，填補知識學習、軟體開發與實體驗證之間的鴻溝。我們對學術界的核心貢獻，在於確保這些能帶來競賽優勢的文件與實作活動，都是易於理解與實踐。
透過提供彈性的原型開發環境、高度逼真的車輛平台，以及支援 MATLAB、Simulink、Python、ROS 與 QUARC 等業界標準工具的工作流程，Quanser 讓學生能夠專注於演算法的開發與驗證，同時獲得自動駕駛系統完整開發流程的實務經驗。
如果您的團隊正準備參加自動駕駛競賽、正在投入 FS-AI 賽事，或是希望提升團隊的技術實力，我非常建議您參考我們的學術教學資源，並向您的教授或指導教師申請使用這些工具，為您的競賽之旅奠定堅實的基礎。
本文轉載自 Quanser 原廠網站，作者 John Pineros / Quanser 學術應用研發經理
留言