面向自主赛车的速度估计学习动力学模型
机器人学
2024-08-29 v1
摘要
速度估计在自主赛车中至关重要。然而，现有解决方案在准确度上存在局限，尤其是在激进驾驶或面对未见道路条件时表现不佳。为此，我们提出利用经过学习优化的动力学模型配合无信任卡尔曼滤波器（Unscented Kalman Filter, UKF），以直接针对状态估计任务进行优化。此外，我们提出辅以在线估计的摩擦系数，从而提高估计精度并实现对新道路条件的零样本适应。为评估基于UKF的速度估计器及其所提动力学模型，我们构建了一个公开的数据集，包含由 F1TENTH 小型赛车执行的激进机动样本，其中侧滑角可达 40{\deg}。通过该数据集，我们展示了通过UKF学习动力学模型可提升估计性能，并证明所提方法在正式场景下相较于当前最先进的基于学习的状态估计器性能提升17%。此外，我们展示了该方法针对新路面实现的零样本适应能力，归功于所提出的具备在线摩擦系数估计的学习式轮胎动力学模型。
引用
@article{arxiv.2408.15610,
title = {Learning dynamics models for velocity estimation in autonomous racing},
author = {Jan Węgrzynowski and Grzegorz Czechmanowski and Piotr Kicki and Krzysztof Walas},
journal= {arXiv preprint arXiv:2408.15610},
year = {2024}
}