PCARNN-DCBF：面向地面车辆的最小干预地理围栏执行
机器学习
2025-11-20 v1 机器人学
摘要
运行时地理围栏技术正快速成为执行操作设计域（ODD）的关键技术。然而，现有解决方案在高保真学习与可验证控制的结构要求之间难以协调。我们通过引入PCARNN-DCBF，一种新颖的管道，将物理编码的控制仿射残差神经网络与预览式离散控制屏障函数集成。与通用学习模型不同，PCARNN显式地保留了车辆动力学的控制仿射结构，确保可靠优化所需的线性性。这使得DCBF能够通过处理高阶近似度并缓解执行器饱和的实时二次规划（QP）来执行多边形保留约束。CARLA中的实验在电动和燃油平台上表明，此结构保留方法显著优于分析方法和非结构化神经网络基线。
引用
@article{arxiv.2511.15522,
title = {PCARNN-DCBF: Minimal-Intervention Geofence Enforcement for Ground Vehicles},
author = {Yinan Yu and Samuel Scheidegger},
journal= {arXiv preprint arXiv:2511.15522},
year = {2025}
}