基于强化学习的方法用于自行车模型的路径跟随与稳定
机器学习
2024-07-25 v1 机器人学
摘要
多年来， 开发了各种复杂的控制方法来控制自行车的运动。 强化学习（RL）作为机器学习的一个分支， 承诺可以轻松部署所谓的智能体。 部署的智能体正被视为机械系统控制器的替代方案。 本文引入一种RL方法， 实现对虚拟自行车模型的路径跟随， 同时实现横向稳定。 自行车模型基于Whipple基准模型， 使用多体系统动力学建模， 不包含任何稳定装置。 智能体仅通过输出方向盘角度成功实现了路径跟随和自行车模型的稳定， 这些角度通过PD控制器转换为方向盘力矩。应用课程学习作为最新训练策略。 探讨了所实现的RL框架的不同设置并进行比较。 使用不同类型的路径和测量评估所部署智能体的性能。 所部署智能体能够在复杂路径上（包括完整圆形、波浪式maneuver和变道） 实现2m/s至7m/s之间自行车模型的路径跟随和稳定。 使用机器学习解释性方法分析所部署智能体的功能， 将引入的RL方法与自行车动力学领域的研究联系起来。
引用
@article{arxiv.2407.17156,
title = {Path Following and Stabilisation of a Bicycle Model using a Reinforcement Learning Approach},
author = {Sebastian Weyrer and Peter Manzl and A. L. Schwab and Johannes Gerstmayr},
journal= {arXiv preprint arXiv:2407.17156},
year = {2024}
}