基于神经运动学与在线残差学习的通用车拖导航系统

车辆-拖车系统的自主导航在机场、超市及演唱会场所等场景中至关重要，因为需要根据不同的有效负荷和条件灵活选择不同类型的拖车。然而，准确建模这类系统仍具有挑战，尤其是带有转向轮的拖车。本文提出一种新颖的通用车拖导航系统，将混合命名学模型——结合车辆的经典非holonomic约束和基于神经网络的拖车运动学——与轻量级在线残差学习模块集成，以纠正实时建模偏差和扰动。此外，我们开发了基于加权模型组合策略的模型预测控制框架，以提高长程预测精度并确保更安全的运动规划。 our方法通过涉及多种拖车类型和不同有效负荷条件的大量真实世界实验验证，展示了在无需手动调校或拖车特定校准的情况下的稳健性能。