AC自主驾驶与AI车手

Assetto Corsa,CSP,Custom AI,自动测试

Views:  times Updated on November 18, 2026 Posted by elmagnifico on November 18, 2026

Foreword

上一篇写了SU7 Ultra Mod是怎么做的,里面提到后面又做了一套自主控制器,用来替代我自己一圈圈试车。

实际做下来,这个东西比改Mod麻烦得多。AC不是CARLA,也不是专门给自动驾驶研究做的仿真器。它能把车开得很真实,但是没有一套完整的接口,让外部程序随便读取所有状态、修改所有物理量,再把整个世界精确存档。能读到的不一定能改,能改的不一定能稳定复现,画面上看起来一样的两次起跑,轮胎接触和悬挂约束也可能已经走到了不同的分支。

所以这篇主要记录几个问题:AC里到底有哪些黑盒,程序能自主控制到什么程度,怎么在CSP上接一个自己的AI车手,以及为了反复试参数,后面又补了哪些工程工具。

AC里的黑盒

物理引擎

AC车辆的data文件并不黑。质量、悬挂、轮胎、动力、传动、气动和制动大部分都能看到,Mod作者改的也是这些参数。

真正黑的是这些参数进入AC以后怎么求解。

轮胎不是把DX_REF或者DY_REF乘一下就直接得到抓地,里面还有载荷、滑移、侧偏、外倾、温度、压力、磨损和路面接触。悬挂也不是只算一个弹簧长度,还要和车身、轮胎、路面碰撞、约束迭代一起解。

外部程序可以看到最后的轮速、载荷、Fx/Fy/Mz、滑移率和侧偏角,但是看不到AC求解器内部每一步怎么收敛,也没有接口把全部内部变量拿出来。CSP增加了很多能力,但AC和CSP的核心物理实现仍然不是一份可以随便改的开源代码。

这种情况下,AC更接近灰盒:输入参数和一部分状态是已知的,内部公式和历史状态不完整,只能用固定输入反复测它的输出。

原生AI

AC自己的AI也属于黑盒。

赛道里的fast_lane.ai、pit_lane.ai和side_l.csv/side_r.csv只是它的一部分输入。AI最终怎么选速度、什么时候刹车、怎么处理对手、黄旗、轮胎和失控恢复,并没有完整开放。CSP的New AI Behaviour又会在外面增加起步、追赶、橡皮筋和其它修正。

原生AI适合正常比赛,也能拿来快速判断一辆车会不会跑,但是不适合做精确的单变量试验。把AI Strength固定成100,AI两次运行并不一定是完全相同的驾驶输入,这样控制变量就控不住了。

这次做的控制器是直接接管玩家车的方向、油门、刹车和换挡,这样AI的驾驶策略才是可见的,可控的

赛道和路面

一开始我直接把side_l.csv和side_r.csv当成赛道边界,后面发现也不行。

这两个文件是AI线配套数据,不一定把所有铺装路肩都包括进去,也不等于比赛白线。KN5里的物理网格、surfaces.ini、材质名称和CSP扩展又会共同决定轮胎到底压到了什么表面。

最后真正可信的是每个物理帧四个轮胎的接地点和CSP返回的:

  • contactPoint
  • surfaceSectionIndex
  • surfaceValidTrack
  • surfaceGrip

这里还有一个很重要的边界:surfaceGrip是接触求解结果,只能读取,不能修复。

审计器现在同时能保留两种口径。一种按常见赛事规则,只在四轮同时出白线时判罚;另一种是这个项目最后使用的严格口径,要求车辆中心不离开赛道走廊,并检查四轮表面抓地。

会话状态

最麻烦的黑盒其实不是某个参数,而是“这辆车现在到底处于什么状态”。

位置、速度、朝向和挡位很好存,但一辆已经跑了几圈的车还包括:

  • 四轮多个温区的温度、压力和磨损
  • 油量、电量、发动机或电机状态
  • 悬挂和轮胎接触约束的历史
  • TC、ESC、TVC内部的积分、滤波和限幅状态
  • 外部控制器上一次方向、方向变化率、速度缩放和制动历史

CSP的ac.saveCarStateAsync()和ac.loadCarState()已经能保存很多车辆状态,不过实际测试仍然发现了一些没有跟着恢复的东西。例如这辆SU7底层仍借用了AC的燃油发动机传动结构,极端候选把转速拖到零以后,发动机stall latch会污染后面的测试;只恢复车的位置和轮速并不能解决。

轮胎四个温区也需要额外保存,SU7自己的SOC和电控状态要另外存,Python控制器的历史还要再配一份JSON。恢复以后还要留一段求解迭代,让轮胎接触和悬挂约束重新收敛。loadCarState很有用,但也不能把它理解成虚拟机快照,实际还是得多做一些DIY的工作。

控制

CSP Custom AI给了一个很直接的入口。外部程序创建指定名称的Windows共享内存,CSP检测到以后就把对应车辆的驾驶输入交给它。

这次实际使用的控制量只有:

  • 油门
  • 刹车
  • 离合
  • 方向
  • 升挡、降挡
  • 自动离合开关

读回来的基础状态包括车速、转速、挡位、位置、朝向和赛道归一化进度。更多的轮胎、车身和SU7电控数据由一个CSP Lua App采集,再通过另一块共享内存送给Python。

AC/CSP物理
    ↓ 车辆、四轮、路面、电控状态
CSP Lua遥测桥
    ↓ SU7.AI.Telemetry.v1
Python AI车手
    ↓ 方向、油门、刹车、换挡
CSP Custom AI
    ↓
玩家车

这条链路的好处是控制器真的像人一样踩踏板和打方向,车辆物理还是AC在算。要对比轮胎或者电控时,不会因为AI直接给车身加了一个力,最后把物理问题遮掉。

相应地,外部AI也不能直接决定下面这些东西:

  • 某个物理帧必须产生多少轮胎横向力
  • 轮胎必须压在哪个三角面、获得多少抓地
  • ABS、原生TC和碰撞求解器内部每一步怎么算
  • 一次恢复以后,所有隐藏状态必须和上一次逐位相同

CSP物理脚本确实还能覆盖发动机扭矩、制动力,或者给车轮增加电扭矩,但那是车辆Mod的执行器,不是AI车手的权限。驾驶员层和车辆层如果混在一起,最后很难说圈速是线路快了,还是脚本偷偷把车推过去了。

AI车手

这里叫AI车手,其实并不是让大模型看着屏幕玩,也不是先训练几百万步强化学习。

目前主体还是一个确定性的闭环控制器,外面再套自动调参。AssettoCorsaGym这类项目已经证明AC可以接RL和MPC,但是这次更关心可重复、可审计和能快速定位问题,所以先用传统控制会更合适。

线路

控制器第一件事是知道自己在哪。它会读取AC v7格式的AI线,把车辆位置投影到闭合线路上,得到最近点、当前进度、横向误差和航向误差,再向前找一个预瞄点。最早只用了Pure Pursuit,能跑完整圈,但是高速弯反应慢,发卡弯又容易追着误差来回修。后面把真人Replay、AC理想线和已经跑通的线路拆开处理:

  • 驾驶线决定车要走哪里
  • 参考方向决定正常情况下应该打多少方向
  • 误差反馈只负责把偏差慢慢收回来

现在的方向请求大概由几部分组成:

参考方向前馈
+ 几何预瞄
+ 横向误差反馈
+ 航向误差反馈
+ 横摆反馈
+ 车身侧偏修正
- 前轴/组合滑移卸载

最后再经过低通、方向速度限制和方向加速度限制,避免控制器一帧左打一帧右打。真人开车看起来是一个连续动作,AI如果只盯最近点,很容易把方向盘打成方波。

速度

有了线路还不够,真正决定能不能跑完的是速度规划。离线先根据曲率、动力、制动和摩擦椭圆生成一个基础速度曲线,再叠加真人遥测和已经验证过的局部修正。运行时不会等到当前点超速才刹车,而是提前向前看一段距离,计算后面目标速度需要多少减速度。纵向控制再把速度误差变成油门和刹车,同时处理几个限制:

  • 油门和刹车不能同时踩
  • 制动进入和释放都要连续
  • 前轮组合滑移过大时不能继续一边重刹一边加方向
  • 后轮滑移和车身侧偏过大时要收油
  • TC、ESC、TVC仍由车辆层负责,AI只根据最终车辆反应调整驾驶请求

这里很容易出现一个误区:理论速度曲线比真人快,不代表放进AC就一定能跑出来。准稳态模型没有轮胎松弛、瞬态载荷转移、路肩跳动和控制延迟,最后还是要让AC裁决。

状态机

一个能跑的控制器和一个能无人值守测试的控制器,中间还差一层状态机。

它至少要处理等待会话、接管车辆、起步、第一条残圈、暖胎圈、正式圈、计时线穿越、到点停车、失控中止和安全退出。

每一帧还要检查车速、路径误差、车身侧偏、遥测心跳和控制包是否更新。路径误差超过安全值时先全刹,其实每次直接判定失败了,重载到下一次测试了。

实际现在暖胎只做一次,然后把入口热状态保存下来,后面的候选不再重复付这几圈的成本,直接做状态加载即可

重复测试

配对热状态

现在一个检查点不是一个文件,而是三部分:

  1. CSP保存的车辆物理状态
  2. SU7车辆脚本的SOC和电控历史
  3. Python驾驶控制器的历史

三者使用同一个state_key。车、赛道、CSP版本或者暖胎方法变了,就换一个key;恢复时key对不上直接失败。

这解决了大部分重复预热问题。AC下次启动时也可以从磁盘加载已经保存的暖车状态,不需要重新跑三圈。进程还活着时更简单,直接在同一个会话里重复加载就行了。不过恢复以后还是要先跑一个原参数基线。如果基线的时间、末速和路径误差已经超出重复性范围,说明这个热状态或者当前物理会话不健康,后面的候选全部不能信,AC有时候莫名其妙会出现一些问题,导致圈速无法重复,很多问题都是边测,边发现,边改的。

常驻进程

测试系统后面又增加了常驻worker。

AC保持一个PID不退出,Python也保持一个进程不退出。新任务只是把JSON放到inbox,worker原子移动到running,完成后再放进done或failed。参数搜索、遥测解析和审计都在同一个Python进程里重复调用,其实就有了一个测试任务队列,生产消费都变得有序了,分析程序只要针对最终结果进行AI分析即可。测试SOP固化了,只用管理好测试流程就行了。

persistent-worker
├── inbox
├── running
├── done
├── failed
└── logs

正常候选只做两件事:恢复配对热状态,加载新的参数进行测试。

自动调参

控制器的参数太多,手工一次改一个同样很慢,所以搜索器使用JSON描述参数范围和它要修改的位置。

{
  "parameters": {
    "c4_speed_scale": {
      "min": 0.82,
      "max": 0.94,
      "initial": 0.88
    }
  },
  "mutations": [
    {
      "type": "window",
      "key": "reference_speed_scale_index_window",
      "start": 650,
      "end": 1400,
      "parameter": "c4_speed_scale"
    }
  ]
}

一批测试大概是下面这个流程:

  1. 从弯前检查点恢复原参数,重复跑基线
  2. 批量跑一组种子参数
  3. 不完整、失控、出界或违反抓地要求的候选直接淘汰
  4. 用安全样本拟合一个小的二次响应面
  5. 在预测有收益的区域继续采样,同时保留少量探索
  6. 对领先候选做重复测试,按稳健结果排序
  7. 只有局部收益超过门槛,才花时间跑完整圈和连续正式圈

这里没有让机器直接乱改几百个参数。每一批只开放少量有物理意义的量,例如一个弯的速度倍率、制动释放、预瞄距离、方向滤波、TC目标滑移或者TVC横摆变化率。

自动反馈学习主要用在两层。一层是上面的响应面搜索,解决“下一组参数测什么”;另一层是ILC,根据上一圈沿距离的速度和踏板误差生成下一圈的局部修正。机器可以自己继续试,但安全门限和晋级条件不能让它自己改。

CSP

CSP在这里大概承担了三种工作。

第一种是车辆物理脚本。它运行在物理线程,可以读取车身和四轮状态,计算SU7的TC、ESC、TVC、SOC和目标横摆,也可以在明确校准以后调用电扭矩、制动力和其它执行器。

第二种是Lua App。它不负责画一个花哨界面,主要负责把每帧车辆状态、四轮接触和SU7电控状态写入MMF,并接受保存、恢复、配置切换和会话控制命令。

第三种是Custom AI。Python通过它接管玩家车的驾驶输入,不需要虚拟手柄,也不需要从屏幕OCR车速。

这三层特意分开:

  • 车辆物理脚本回答“这辆SU7怎么响应”
  • AI车手回答“驾驶员现在怎么操作”
  • 测试桥回答“怎么把实验重复起来并留下证据”

CSP也不是无限权限。不同版本的API会变化,有些函数只在preview里出现,有些字段单位和方向需要进游戏实测。这个项目固定CSP版本,每个用到的接口先做验证,单位、符号等等都不是很明确。

工程模板

这次真正有复用价值的,可能不是珠海某一个弯的参数,而是下面这些模板。

传感器和执行器适配

控制算法不直接到处调用CSP API。Lua先把不同版本、坐标、符号和单位整理成固定状态,Python再只面对统一字段。输出也只通过一个Controls结构写方向、油门、刹车和换挡。

以后换车或者换CSP版本,先改适配层,不用把整个控制器重写。

共享内存协议

每块MMF都有固定名称、固定布局、序号、心跳和确认序号。Python打开CSP已经创建的映射,而不是自己意外创建一块同名但断开的内存。

命令必须有sequence/ack/status,否则保存状态比较慢的时候,外部程序很容易把同一条命令执行两遍。

配对检查点

车辆状态和控制器状态必须一起保存。只保存车辆会丢方向滤波、积分器和线路进度,只保存控制器又会丢轮胎和悬挂状态。

检查点还要绑定车、赛道、CSP版本和配置key。这个模板不只适合跑圈,任何需要在同一初态做A/B测试的AC项目都能用。

数据驱动的试验配置

完整基础配置、局部参数范围、修改窗口、停止位置、审计规则、重复次数和晋级门槛都放在JSON里。搜索器只负责解释配置,不为每个弯再写一套Python循环。

每个运行目录再保存实际展开后的run_config.json。以后看到一条快圈,可以知道当时到底用了什么,而不是只剩下一个文件名叫final_final2。

常驻任务队列

一个AC进程、一个控制进程、多个连续任务。任务状态用目录和原子重命名表示,即使脚本中途退出,也能知道哪个任务还在跑、哪个失败了。

这比每个候选新开一次Python和AC快很多,也更容易阻止隐式重启。

自适应分段搜索

先把完整赛道分成可以解释的区段,在弯前保存检查点,只评估当前弯和必要的下游传播区。局部赢家再回完整圈验证。

这样机器可以一口气跑几十组参数,而不是每次都先跑三圈预热,再用整圈时间判断一个发卡弯有没有快20毫秒,相当浪费时间。

遥测、审计和证据

每个物理帧保存原始CSV,结束后再生成摘要和审计JSON。至少保留:

  • 车辆位置、速度、方向、油门和刹车
  • 目标速度、参考方向和每项控制修正
  • 四轮载荷、滑移、温度、压力、接地点和表面抓地
  • TC、ESC、TVC实际档位、请求量和执行量
  • 赛道边界、车辆中心和四轮出界统计
  • 使用的配置、程序版本、回放和校验值

最终成绩不能只留一张圈速截图。截图证明它显示过这个数字,不能证明车走在哪里、有没有压到错误表面,也不能证明下一次还能跑出来。

限制

现在这套系统已经能让AC保持一个进程,重复恢复热状态,自动执行参数组合,再根据结果继续搜索。但是它还不是一个通用的自动驾驶平台。

控制器对珠海和SU7做了很多专门处理,赛道索引窗口、真人参考线和局部限幅都很重。

另外,自主控制器跑得快,只能证明控制器和当前Mod的组合跑得快。它不能反过来证明Mod就一定和真车一样,车辆物理还是要用实车数据、固定输入和保留工况单独验证。

后面如果继续做,可以把当前确定性控制器当成安全基线,再接MPC、贝叶斯优化或者强化学习。新的策略先在已有走廊和稳定性约束里跑,超过基线以后再进入完整圈。这样学习算法负责找收益,工程模板负责保证它没有作弊。

Summary

AC里实现一个AI车手,难点并不是把油门设成1、方向对着AI线。真正麻烦的是黑盒物理、隐藏状态、赛道接触、控制延迟和测试复现。

最后的系统也不是一个单独的驾驶脚本,而是一整条链路:CSP采集状态,Custom AI接管输入,控制器闭环驾驶,热状态缩短重复试验,常驻进程批量执行,自适应搜索选择下一组参数,审计器负责判定结果能不能算数。

做到这里,机器确实可以自己反复跑和自己缩小参数范围了,但它学得再快,最终还是要接受AC真实物理、原始遥测和回放的共同检查。

实际上即使有了这么一套东西,跑起测试来还是太慢了,跑一周距离人类记录都还差1s多,还是不满意,这东西还得优化,还是得想办法把测试、规划、搜索转变成确定性的算法或者控制循环来跑,有一个明确理论结果以后再转到AC上进行测试,不然效率太低了。

Quote

https://github.com/ac-custom-shaders-patch/acc-lua-sdk

https://github.com/ac-custom-shaders-patch/acc-lua-sdk/blob/main/ac_car_cphys.lua

https://github.com/ac-custom-shaders-patch/acc-extension-config/wiki/Cars-%E2%80%93-Physics-scripts

https://github.com/pgorokh/ac-copilot-trainer-physics/blob/main/docs/10_Development/18_Autonomous_Harness.md

https://assetto-corsa-gym.github.io/

https://github.com/dasGringuen/assetto_corsa_gym

https://papers.nips.cc/paper_files/paper/2024/file/b91ea2ba1b6521940e204b7b81d5ef47-Paper-Datasets_and_Benchmarks_Track.pdf