用于多摩擦表面自适应自动驾驶的集成高斯过程

在变化的道路条件下驾驶具有挑战性，尤其对于必须实时适应环境中变化（如雨、雪等）的自动驾驶车辆。在这些时变设定中难以应用离线基于学习的方法，因为控制器应在代表其未来可能遭遇的所有条件的数据集上训练。尽管在线学习可从实时数据调整模型，其收敛速度常过慢，无法应对快速变化的道路条件。我们在自动驾驶赛车中研究该问题，其中在变化道路条件下于操控极限驾驶是取胜所需。我们提出一种计算高效的方法，利用高斯过程（GPs）的集成将预训练 GPs 泛化并适应未见过的条件。每个 GP 在不同路面摩擦的驾驶数据上训练。在模型预测控制（MPC）框架中使用这些 GPs 的时变凸组合，其中模型权重基于实时数据在线适应当前道路条件。集成高斯过程（EGP）模型的预测方差使控制器能考虑预测不确定性并实现安全自动驾驶。全尺寸自动驾驶车辆的广泛仿真证明了我们提出的 EGP-MPC 方法在变化道路条件下提供良好跟踪性能以及泛化至未知地图的能力的有效性。