面向缩放自主赛车的快速内轨系统辨识
机器人学
2025-02-06 v1
摘要
精确的轮胎建模对于优化自主赛车车辆至关重要，因为现有基于模型的技术依赖于精确的车辆参数知识。然而，由于轨道和轮胎条件的变化，动态赛车条件下的系统辨识具有挑战性。传统方法需要广泛的运行范围，在赛车场景中往往不实用。机器学习（ML）方法虽然提高了性能，但在泛化性方面存在困难且依赖于准确的初始化。本文引入一种新颖的内轨系统辨识算法，结合神经网络（NN）进行误差校正，然后用于传统系统辨识以生成虚拟数据。关键的是，过程被迭代地重新应用，轮胎参数在每个周期中更新，导致在缩放车辆上的测试中准确性显著提高。实验表明，在仅需30秒驾驶数据和3秒训练时间的情况下，可以在无先验知识的情况下学习轮胎模型。该方法在噪声条件下比基线非线性最小二乘（NLS）方法具有更好的一步预测准确性，实现根均方误差（RMSE）降低3.3倍，并产生与传统稳态系统辨识相当的轮胎模型。此外，与需要大空间和特定实验 setup 的稳态方法不同，所提出的方法可直接在赛车轨道的动态赛车环境中识别轮胎参数。
引用
@article{arxiv.2411.17508,
title = {Learning-Based On-Track System Identification for Scaled Autonomous Racing in Under a Minute},
author = {Onur Dikici and Edoardo Ghignone and Cheng Hu and Nicolas Baumann and Lei Xie and Andrea Carron and Michele Magno and Matteo Corno},
journal= {arXiv preprint arXiv:2411.17508},
year = {2025}
}