基于物理模型与机器学习方法的驾驶模拟器赛车手评估
机器学习
2022-02-01 v1 系统与控制
系统与控制
摘要
在专业赛车手于车辆动态极限下控制车辆方面，其仍优于自动化系统。深入洞察赛车手的车辆操控过程可能推动自动驾驶系统领域的进一步发展。我们提出一种通过在驾驶在环模拟器上分析轮胎抓地潜力利用来研究与评估赛车手的方法。给定模拟器运行的初始数据，两个基于物理模型的优化器分别最大化车辆横向加速度或轮胎力。我们引入总体表现评分、车辆轨迹评分与操控评分来评估车手。我们的方法因此完全独立于赛道，并可从单个弯道直至大型数据集使用。我们将所提方法应用于一个赛车运动数据集，其包含七名专业赛车手与两名业余车手超过1200圈数据，后者的圈速慢10–20%。与专业车手的差距主要来自其较差的操控技能而非行驶线选择。所提方法在某些应用中的一个缺点是计算耗时过长。因此，我们提出一种长短期记忆（LSTM）神经网络来估计车手评估评分。我们表明该神经网络准确且鲁棒，均方根误差在2–5%之间，并可替代基于优化的方法。处理本文所考虑数据集的时间从68小时缩减至12秒，使该神经网络适用于实时应用。
引用
@article{arxiv.2201.12939,
title = {Race Driver Evaluation at a Driving Simulator using a physical Model and a Machine Learning Approach},
author = {Julian von Schleinitz and Thomas Schwarzhuber and Lukas Wörle and Michael Graf and Arno Eichberger and Wolfgang Trutschnig and Andreas Schröder},
journal= {arXiv preprint arXiv:2201.12939},
year = {2022}
}