受物理启发的神经网络用于自适应巡航控制系统参数学习

本文提出并开发了一种受物理启发的神经网络（PiNN），用于学习汽车工业中已商用的自适应巡航控制（ACC）系统的参数。为模拟具有专有控制逻辑和未公开参数的原装 ACC 系统的核心功能，采用了恒定车头时距策略（CTHP）。利用多层人工神经网络作为通用逼近器，所开发的 PiNN 充当 ACC 启用车辆纵向动力学的替代模型，高效学习 CTHP 的未知参数。PiNN 允许将物理定律直接整合进学习过程。使用涉及编队中 ACC 启用车辆的间距与相对速度的合成及高保真经验数据，细致评估了 PiNN 推断未知 ACC 参数的能力。结果证明了所提 PiNN 在从不同汽车制造商学习原装 ACC 系统未知设计参数方面的优越预测能力。由 PiNN 获得的 ACC 模型参数集表明，三次实验活动中所涉车辆的原装 ACC 系统既非 $\mathcal{L}_2$ 也非 $\mathcal{L}_\infty$ 弦稳定的。