基于强化学习的无参考格式漂移：从驾驶数据到轮胎能量启发的真实世界策略

驾驶技巧——即以专业司机的方式进行受控过滑——为未来的无人车提供在恶劣条件下保持控制或避免碰撞的最大灵活性。我们研究实时的漂移策略， 在不进行昂贵轨迹优化的情况下将车辆置于所需位置。为此，我们设计了一个基于轮胎能量吸收概念的强化学习智能体， 能够在变化且复杂的路点配置中进行漂移， 同时安全地保持在赛道边界内。通过在基于从预收集驾驶数据中学习的神经随机微分方程车辆模型之上构建的仿真环境中进行训练， 实现了对车辆的零-shot 部署。在 Toyota GR Supra 和 Lexus LC 500 上的实验表明， 智能体能够通过各种路点配置平稳漂移， 跟踪误差可低至 10 cm， 同时将车辆推至最高可达 63{\deg} 的侧滑角。