基于学习的惯性漂移车辆规划与控制框架
机器人学
2025-07-09 v1
摘要
惯性漂移是两种相互反向持续漂移阶段之间的过渡性机动, 为自动驾驶赛车在连续锐角转弯提供了宝贵的洞察。然而, 这对于漂移控制器处理在维度之间快速转换的侧滑角并保持精确路径跟踪是一个具有挑战性的场景。此外, 准确的漂移控制依赖于高保真车辆模型以推导漂移平衡点并预测车辆状态, 但这通常因纵向-横向漂移动力学的强耦合以及不可预测的环境变化而受到损害。为此, 本文提出一种基于贝叶斯优化 (BO) 的学习驱动规划与控制框架, 通过开发确保惯性漂移阶段与持续漂移阶段之间平滑过渡并最小化速度损失的规划逻辑。BO 进一步用于学习一种绩效驱动的控制策略, 以减轻建模误差以提升系统性能。8 形参考路径的仿真结果表明, 所提框架能够实现平滑稳定的惯性漂移通过锐角。
引用
@article{arxiv.2507.05748,
title = {A Learning-based Planning and Control Framework for Inertia Drift Vehicles},
author = {Bei Zhou and Zhouheng Li and Lei Xie and Hongye Su and Johannes Betz},
journal= {arXiv preprint arXiv:2507.05748},
year = {2025}
}