Idee:
Das Ziel von rAIcer ist es, die Komplexität autonomer Fahrzeuge von teurer Hardware in intelligente Software zu verlagern. Statt auf kostspielige LiDAR-Systeme oder High-End-GPUs zu setzen, steuert ein evolutionäres neuronales Netz (ENN) das Fahrzeug ausschließlich mit minimaler, günstiger Sensorik. Das Projekt beweist, dass effiziente Autonomie durch selbstlernende KI auch mit kleinem Budget möglich ist.

Realisierung:
Die Umsetzung erfolgte über eine dreistufige „Sim-to-Real“-Pipeline:

-Simulation: Erstellung einer physikbasierten 2D-Umgebung in Unity.

-Training: Evolution der Fahrintelligenz mittels des NEAT-Algorithmus in Python über hunderte Generationen.

-Hardware: Übertragung des fertigen Netzes auf einen STM32H7-Mikrocontroller.

Das physische Fahrzeug basiert auf einer eigens entwickelten Platine, nutzt fünf Infrarot-Abstandssensoren und verfügt über 3D-gedruckte Komponenten wie einen Radiallüfter für erhöhte Bodenhaftung.

Ergebnis:
Das Ergebnis ist ein autonomes Modellfahrzeug, das eine reale Rennstrecke ohne manuelle Programmierung oder menschliche Eingriffe bewältigt. Das trainierte KI-Netz ist dabei so effizient, dass es trotz seiner minimalistischen Struktur die Motoren in Echtzeit präzise steuert. Damit wurden die Leitprinzipien Vereinfachung, Kostenreduktion und Reproduzierbarkeit erfolgreich in die Praxis umgesetzt.

Team: Pöttler David Emanuel, Dorfinger Tobias
Betreuer: Prof. Dr. techn. Bernhard Prommeger