用于自主赛车建模误差补偿的双迭代高斯过程回归

自主赛车控制是一个具有挑战性的研究问题，因为车辆被推至操控极限以达成最优圈速；因此，车辆表现出高度非线性和复杂的动力学。漂移、空气动力学、底盘重量转移和悬架等难以建模的效应会导致不可行和次优的轨迹。虽然离线规划允许针对最小圈速目标优化完整的参考轨迹，但此类建模差异在使用离线规划时尤为有害，因为规划模型误差与控制器建模误差会相互叠加。高斯过程回归（GPR）可补偿建模误差。然而，以往工作主要关注实时控制中的误差建模，未考虑离线规划所用模型如何影响整体性能。在本工作中，我们提出一种双 GPR 误差补偿算法以降低模型不确定性；具体而言，我们用两个相应的基于 GPR 的误差补偿函数分别补偿规划器模型与控制器模型。此外，我们设计了一个迭代框架，利用赛车控制系统重新收集富含误差的数据。我们在高保真赛车模拟器 Gran Turismo Sport（GTS）中测试了我们的方法；我们发现，与仅用于实时控制的单一补偿函数相比，我们的迭代双 GPR 补偿函数提升了赛车性能与迭代稳定性。