首先，学习你不知道的东西：驾驶在极限操控边界上的主动信息收集
机器人学
2025-07-24 v2 机器学习
系统与控制
系统与控制
摘要
将数据驱动的自适应模型与模型预测控制 (MPC) 结合，已实现对非线性系统的有效控制。然而，在部署于不稳定系统时，线上适应速度可能不足以确保可靠的同步学习与控制。例如，执行高度动态机动（如漂移以避免障碍物）的控制器可能将车辆的胎力推至极限，从而使车辆失稳，并使建模误差迅速叠加，导致控制丧失。为解决这一挑战，我们提出了一种用于快速识别车辆动力学的主动信息收集框架。我们提出了一种表达式化的车辆动力学模型，利用贝叶斯最后层元学习实现快速线上适应。该模型的不确定性估计用于引导有信息的数据收集，以在部署前快速改进模型先验。Toyota Supra上的动态漂移实验表明：(i)该框架在车辆处于稳定性边缘时实现了可靠控制；(ii)仅靠线上适应可能不足以实现零射时控制，会导致不理想的瞬态误差或失控；(iii)主动数据收集有助于实现可靠的性能。
引用
@article{arxiv.2411.00107,
title = {First, Learn What You Don't Know: Active Information Gathering for Driving at the Limits of Handling},
author = {Alexander Davydov and Franck Djeumou and Marcus Greiff and Makoto Suminaka and Michael Thompson and John Subosits and Thomas Lew},
journal= {arXiv preprint arXiv:2411.00107},
year = {2025}
}