PIAug——用于越野导航车辆动力学学习的物理信息增强

对越野车辆精确动力学建模是一项复杂却必不可少的任务，因其所遇地形艰巨且需最优性能与安全。近期，研究聚焦于利用物理信息神经网络将标称基于物理的模型与数据驱动的神经网络相整合。这些方法常假设具备分布良好的数据集；然而，由于物理分布中某些区域（如高速运动与罕见地形）难以采集，该假设可能不成立。因此，我们引入一种称为 PIAug 的物理信息数据增强方法。我们以仅含低速数据的数据集为例，展示其在高速与激进运动预测建模中的用例。在训练阶段，我们利用标称模型基于可用源数据（低速）生成目标域（中速与高速）数据。随后，我们采用受物理启发的损失函数与该增强数据集，将物理先验知识融入神经网络。我们的方法在轨迹预测中的平均误差较独立标称模型最高降低 67%，尤其在训练域外速度的激进机动时。在真实导航实验中，我们的模型在域外速度下成功实现了比运动学自行车模型（KBM）紧 4 倍的航点跟踪约束。