DKMGP：面向自主赛车的多任务多步车辆动力学建模的高斯过程方法
机器人学
2024-11-22 v1
摘要
自主赛车因其推动自动驾驶技术发展的潜力而受到关注。精确的赛车动力学建模对于捕捉和预测未来状态（如位置、方向和速度）至关重要。然而，对轮胎和悬架等复杂子系统进行精确建模面临重大挑战。本文介绍了基于深度核的多任务高斯过程（DKMGP），它利用变分多任务和多步高斯过程模型的结构，并结合深度核学习进行车辆动力学建模。与现有的单步方法不同，DKMGP采用自适应校正视界（ACH）算法进行多步校正，该算法可根据不同的驾驶条件动态调整。为了验证和评估所提出的DKMGP方法，我们将其模型性能与DKL-SKIP以及经过良好调校的单轨模型进行了比较，使用了在2024年CES拉斯维加斯赛车场举行的Indy自动驾驶挑战赛中从全尺寸Indy赛车上收集的高速动力学数据（超过230km/h）。结果表明，与单步DKL-SKIP相比，DKMGP的预测精度高达99%，同时实时计算效率提高了1752倍。我们的结果表明，DKMGP是一种可扩展且高效的车辆动力学建模解决方案，适用于高速自主赛车控制。
引用
@article{arxiv.2411.13755,
title = {DKMGP: A Gaussian Process Approach to Multi-Task and Multi-Step Vehicle Dynamics Modeling in Autonomous Racing},
author = {Jingyun Ning and Madhur Behl},
journal= {arXiv preprint arXiv:2411.13755},
year = {2024}
}
备注
13 pages, 6 figures, 4 tables; submitted to 7th Annual Learning for Dynamics & Control Conference