Fine-Tuning 混合物理信息神经网络用于车辆动力学模型估计

精确的动力学建模对于自动驾驶赛车车辆尤其重要，特别是在高速和灵活机动过程中，精确的运动预测对于安全至关重要。传统的参数估计方法面临诸多限制，如依赖初始猜测、繁琐的拟合程序以及复杂的测试 setup。另一方面，纯数据驱动的机器学习方法难以捕捉内在物理约束，通常需要大量数据才能实现最佳性能。为此，本文引入Fine-Tuning Hybrid Dynamics(FTHD)方法，将监督和非监督物理信息神经网络(PINNs)相结合，将基于物理的建模与数据驱动技术相结合。FTHD 通过对预训练的深度动力学模型(DDM)进行微调，利用较小的训练数据集，实现优于最新方法(如Deep Pacejka Model(DPM)和原始DDM)的卓越性能。此外，在FTHD中嵌入扩展卡尔曼滤波器(EKF)，有效地管理噪声的真实世界数据，确保在保持车辆基本物理特征的同时实现准确去噪。该方法通过BayesRace 基于物理的模拟器进行规模化仿真，并通过印度自动挑战的全尺寸真实世界实验进行验证。结果表明，混合方法即使在数据有限的情况下也显著提高参数估计精度，优于现有模型。EKF-FTHD 通过去除噪声的真实世界数据而提升了鲁棒性，同时保持了物理洞察，为高速自动驾驶赛车的车辆动力学建模代表了一项重大的进步。