基于神经过程的自主赛车反应式控制器

基于注意力的神经架构已成为实时非线性控制领域最先进方法的核心。随着这些数据驱动模型不断被集成到日益安全关键的领域，确保基于统计且可证明的安全决策变得至关重要。本文介绍了一种新颖的反应式控制框架，该框架利用注意力神经过程（AttNP）及其物理信息增强扩展 PI-AttNP 进行基于间隙的导航。两种模型均在模拟的 F1TENTH 式阿克曼转向赛车环境中进行评估，该环境被选作安全关键自动驾驶场景的快速代理。PI-AttNP 通过引入近似模型先验来增强 AttNP 架构，以注入物理归纳偏置，从而实现更快的收敛和更适合实时控制的预测精度。为了进一步确保安全，我们推导并实现了一种基于控制屏障函数（CBF）的过滤机制，该机制以解析方式强制执行碰撞避免约束。此 CBF 公式与学习到的 AttNP 控制器完全兼容，并能泛化到广泛的赛车场景中，提供了一个轻量级且可认证的安全层。我们的结果展示了具有竞争力的闭环性能，同时确保了实时约束满足。