数字孪生遇见 Koopman 算子: 面向鲁棒自主的数据驱动学习

与道路自主导航不同，越野自主性因从传感到地形可变性等各种因素而变得复杂。在这样的环境中，数据驱动方法通常被用来有效地捕获复杂的车辆-环境交互。然而，数据驱动方法的成功在很大程度上取决于数据的质量和数量，而越野环境中的巨大变异性可能会损害这些数据。为了解决这些问题，我们提出了一种新颖的方法，以数字化方式精确重建车辆及其目标运行环境，用于特定领域的数据生成。这使我们能够利用 Koopman 算子理论从仿真数据中有效地对越野车辆动力学进行建模，并将获得的模型用于局部运动规划和最优车辆控制。通过 1:5 比例车辆的自主导航问题展示了所提方法的能力，其中采用地形感知规划器进行全局任务规划。结果表明，所提算法显著提升了越野导航性能（5.84 倍），并凸显了数字孪生在提高样本效率（3.2 倍）和减小 sim2real 差距（5.2%）方面的有效性。