基于知识-数据融合的车辆编队动力学建模与分析：一种物理编码深度学习方法
机器人学
2026-01-06 v2 人工智能
摘要
最近，人工智能（AI）驱动的非线性车辆编队动力学建模在预测和优化车辆间的相互作用方面发挥着关键作用。现有工作缺乏对车辆行为在编队尺度上的相互作用特征的提取与捕获。更重要的是，在保持高建模精度的同时不失去物理可分析性仍是一个待解决的问题。为此，本文提出了一种名为PeMTFLN的新型物理编码深度学习网络，用于建模非线性车辆编队动力学。具体而言，设计了一种可分析参数编码计算图（APeCG），引导编队响应领头车辆的驾驶行为，同时确保局部稳定性。此外，构建了多尺度轨迹特征学习网络（MTFLN），用于捕获编队跟随模式，并从轨迹数据中推断所需的物理参数。使用人类驾驶车辆轨迹数据集（HIGHSIM）训练了所提出的PeMTFLN。轨迹预测实验表明，PeMTFLN在速度和间隙方面的预测精度优于基线模型。稳定性分析结果表明，APeCG中的物理参数能够再现实际条件下的编队稳定性。在仿真实验中，PeMTFLN在编队轨迹生成方面表现出低推断误差。此外，PeMTFLN还能准确再现真实安全统计数据。所提出方法的代码已开源。
引用
@article{arxiv.2502.08658,
title = {Knowledge-data fusion dominated vehicle platoon dynamics modeling and analysis: A physics-encoded deep learning approach},
author = {Hao Lyu and Yanyong Guo and Pan Liu and Shuo Feng and Weilin Ren and Quansheng Yue},
journal= {arXiv preprint arXiv:2502.08658},
year = {2026}
}