用于闭环自动泊车仿真的电池电动汽车动力学的物理信息神经状态空间建模

本文通过引入一种针对量产电池电动轿车泊车工况定制的物理信息神经状态空间模型，为车辆动力学建模做出贡献，该模型完全从现场测试操作中识别。在泊车速度下，该模型捕获了运动学理想化所忽略的内容，包括执行器延迟、动力系统爬行、通过静止状态的制动保持转换以及频繁的运动方向反转。在训练期间施加了挡位条件速度约束，横摆角速度作为运动学自行车先验的学习残差读出，从而使网络将其容量用于偏离物理的部分，而不是用于复现物理。这些训练时的物理知识使得常规的推理时状态限制器变得多余。驱动、制动和转向执行器的指令到实际行为由专门的子模型复现，对于这些子模型，信号保真度被证明是闭环价值的不可靠代理；根据其速度结果而非其自身信号来调整制动，会逆转在信号层面得出的结论。该模型在完全开环仿真中泛化到保留操作，并且尽管仅从16次现场测试中识别，组装好的指令到车辆链路在ISO/TS 18571客观评级指标下在车辆状态方面获得了良好评级。作为交互式模拟器的实时被控对象嵌入，它使具有生产代表性的规划栈能够通过学习到的动力学来泊车。这使得该模型适用于在虚拟开发阶段预校准自动泊车规划和控制栈，而无需制造商专有的底盘和执行器参数。