基于元学习的离路自主驾驶在线动力学模型适应
机器人学
2025-04-24 v1 机器学习
系统与控制
系统与控制
摘要
高速离路自主驾驶由于复杂多变的地形特征以及难以准确建模地形-vehicle 相互作用， presents 独特挑战。虽然用于基于模型的控制的动力学模型可以从真实世界数据中学习，但它们往往难以泛化到未见的地形，使得实时适应至关重要。我们提出了一种新框架，将基于卡尔曼滤波的在线适应方案与元学习参数相结合，以解决这些挑战。离线元学习优化适应发生的基函数以及适应参数，而在线适应则动态地针对基于模型的控制调整 onboard 动力学模型。我们通过大量实验进行了验证，包括在全尺寸离路自主车辆上的实际测试，结果表明该方法在预测精度、性能和安全性指标上优于基线方法，尤其在安全关键场景中效果显著。我们的结果凸显了元学习动力学模型适应的有效性，推动了可导航于多样化且未见环境的可靠自主系统的发展。视频可在 https://youtu.be/cCKHHrDRQEA 观看
引用
@article{arxiv.2504.16923,
title = {Meta-Learning Online Dynamics Model Adaptation in Off-Road Autonomous Driving},
author = {Jacob Levy and Jason Gibson and Bogdan Vlahov and Erica Tevere and Evangelos Theodorou and David Fridovich-Keil and Patrick Spieler},
journal= {arXiv preprint arXiv:2504.16923},
year = {2025}
}