基于神经网络动力学模型的越野与公路车辆迭代 LQR 控制器
机器人学
2025-05-14 v1 机器学习
系统与控制
系统与控制
摘要
在这项工作中，我们评估了迭代线性二次调节器（ILQR）在两类不同轮式移动机器人轨迹跟踪中的表现，即 Warthog（图 1，一种具有滑移转向的越野完整约束机器人）和 Polaris GEM e6 [1]（一种非完整约束六座车辆，图 2）。我们使用多层神经网络来学习这些机器人的离散动力学模型，该模型被用于 ILQR 控制器中以计算控制律。我们使用模型预测控制（MPC）来处理模型不完美性，并进行了大量实验，以在由人类驾驶的参考轨迹上评估控制器性能，其中 Warthog 车速为 3m/s–4m/s，Polaris GEM 为 7m/s–10m/s。
引用
@article{arxiv.2007.14492,
title = {An Iterative LQR Controller for Off-Road and On-Road Vehicles using a Neural Network Dynamics Model},
author = {Akhil Nagariya and Srikanth Saripalli},
journal= {arXiv preprint arXiv:2007.14492},
year = {2025}
}