基于主动探索和高斯过程MPC的极端转弯漂移学习
机器人学
2025-06-03 v3 人工智能
系统与控制
系统与控制
摘要
赛车中的极端转弯常常导致大的侧偏角，这对车辆控制构成了重大挑战。传统的车辆控制器难以应对这种情况，因此需要使用漂移控制器。然而，漂移条件下的大侧偏角会引起模型失配，进而影响控制精度。为了解决这个问题，我们提出了一种结合模型预测控制和高斯过程回归的模型校正漂移控制器。GPR 用于在漂移平衡求解和 MPC 优化过程中校正车辆模型失配。此外，利用 GPR 的方差主动探索不同的转弯漂移速度，以最小化轨迹跟踪误差。该算法通过在 Simulink-Carsim 平台上的仿真和 1:10 比例遥控车辆实验进行了验证。在仿真中，使用 GPR 的平均横向误差比不使用 GPR 的情况降低了 52.8%。加入探索后，该误差进一步降低了 27.1%。加入探索后，速度跟踪均方根误差也降低了 10.6%。在遥控车实验中，使用 GPR 的平均横向误差降低了 36.7%，探索进一步使其降低了 29.0%。此外，加入探索后，速度跟踪 RMSE 降低了 7.2%。
引用
@article{arxiv.2410.05740,
title = {Learning to Drift in Extreme Turning with Active Exploration and Gaussian Process Based MPC},
author = {Guoqiang Wu and Cheng Hu and Wangjia Weng and Zhouheng Li and Yonghao Fu and Lei Xie and Hongye Su},
journal= {arXiv preprint arXiv:2410.05740},
year = {2025}
}