PhysORD：一种用于越野驾驶物理融合运动预测的神经符号方法
机器人学
2024-10-23 v3 人工智能
摘要
运动预测对于自主越野驾驶至关重要，但由于车辆与地形之间的复杂交互，它比道路驾驶更具挑战性。传统的基于物理的方法在准确建模动态系统和外部扰动方面遇到困难。相比之下，数据驱动的神经网络需要大量数据集，并且难以显式捕捉基本物理定律，这很容易导致泛化能力差。通过融合两种方法的优势，神经符号方法展现出了有前景的方向。这些方法将物理定律嵌入神经模型，可能显著提高泛化能力。然而，之前没有工作在真实世界的越野驾驶环境中进行评估。为了填补这一空白，我们提出了PhysORD，一种神经符号方法，将守恒定律（即欧拉-拉格朗日方程）集成到数据驱动的神经模型中，用于越野驾驶的运动预测。我们的实验表明，PhysORD能够通过建模不确定性准确预测车辆运动并容忍外部扰动。学习到的动力学模型仅使用数据驱动方法3.1%的参数，就实现了46.7%的更高精度，展示了我们神经符号方法的数据效率和优越的泛化能力。
引用
@article{arxiv.2404.01596,
title = {PhysORD: A Neuro-Symbolic Approach for Physics-infused Motion Prediction in Off-road Driving},
author = {Zhipeng Zhao and Bowen Li and Yi Du and Taimeng Fu and Chen Wang},
journal= {arXiv preprint arXiv:2404.01596},
year = {2024}
}