面向多环境自动驾驶的多步动力学建模框架

动力学建模通常是使车辆实现自动驾驶的第一步。尽管道路自动驾驶车辆已被广泛研究，越野车辆却带来了许多具有挑战性的建模问题。越野车辆会遇到高度复杂且难以建模的地形/车辆交互，同时自身也具有复杂的车辆动力学。这些复杂性会给高效的高速控制与规划带来挑战。在本文中，我们提出了一种多步动力学预测框架，该框架显式处理建模误差的累积，并对基于采样的控制器保持可扩展性。我们的方法在混合模型中使用一个在有限时间范围内特殊初始化的长短期记忆网络（LSTM）作为学习组件，以预测一辆4座全地形车（Polaris S4 1000 RZR）在两种不同环境中的动力学。通过仅让LSTM在固定时间范围内进行预测，我们消除了对长期稳定性的需求，而长期稳定性在训练循环神经网络时常常是一个挑战。我们的框架具有灵活性，因为它仅需要里程计信息作为标签。通过大量实验，我们表明我们的方法能够实时预测数百万条可能的轨迹，在具有挑战性的越野驾驶场景中时间范围为五秒。