Deep Dynamics：一种用于自动驾驶赛车的物理约束神经网络车辆动力学建模方法
机器人学
2024-12-03 v2 人工智能
机器学习
摘要
自动驾驶赛车是自动驾驶的一个关键研究领域，在车辆动力学建模方面提出了重大挑战，例如在高速（>280km/h）下平衡模型精度和计算效率，此时建模中的微小误差都会导致严重后果。现有的基于物理的车辆动力学模型需要复杂的测试设置和调优，难以实施、耗时且成本高昂。相反，纯数据驱动的方法泛化能力不佳，且无法充分确保对预测的物理约束。本文介绍了Deep Dynamics，一种用于自动驾驶赛车车辆动力学建模的物理约束神经网络（PCNN）。它结合了物理系数估计和动力学方程，以准确预测高速下的车辆状态，并包含一个独特的物理防护层，以确保内部系数估计保持在其标称物理范围内。使用基于物理的模拟器和全尺寸自动驾驶Indy赛车数据进行的开环和闭环性能评估，凸显了Deep Dynamics作为赛车车辆动力学建模的一种有前景的方法。
引用
@article{arxiv.2312.04374,
title = {Deep Dynamics: Vehicle Dynamics Modeling with a Physics-Constrained Neural Network for Autonomous Racing},
author = {John Chrosniak and Jingyun Ning and Madhur Behl},
journal= {arXiv preprint arXiv:2312.04374},
year = {2024}
}
备注
Published in the IEEE Robotics and Automation Letters and presented at the IEEE International Conference on Intelligent Robots and Systems