基于公式-1 数据驱动初始化的自动驾驶赛车高效轨迹优化
广义相对论与量子宇宙学
2026-03-10 v1
摘要
轨迹优化是快速高效自动驾驶赛车的核心组件。然而，实际优化管道对初始化高度敏感，当以中心线或最小曲率路径等启发式轨迹作为种子时，可能收敛缓慢或收敛到亚最优局部解。为解决这一限制，我们利用专家驾驶行为作为初始化先验，提出一种基于真实世界公式-1 遥测数据的学习驱动初始化策略。为此，我们首先通过重建和对齐噪声 GPS 遥测数据，将其标准化参考线表示跨 17 条赛道对齐。基于此，我们提出了一种神经网络，直接从局部赛道几何预测专家风格的赛线偏移，而无需显式建模车辆动力学或力量。预测的赛线随后用作最小时间最优控制求解器的有知觉种子。17 条赛道上的实验表明，学习的初始化加快求解器收敛速度，显著减少运行时间，相较于传统几何基准，同时保持最终优化后的圈速。
引用
@article{arxiv.2603.07125,
title = {Dyonic black holes from dimensional reduction of five-dimensional Einstein-Gauss-Bonnet gravity},
author = {Z. Belkhadria and S. Mignemi and F. Paderi},
journal= {arXiv preprint arXiv:2603.07125},
year = {2026}
}
备注
13 pqges