面向基于 Transformer 的高保真车辆动力学建模的残差学习

车辆动力学模型作为描述车辆状态时序变化的要素，是自动驾驶系统的重要组成部分。长期以来，研究人员为精确建模车辆动力学付出了大量努力。传统的基于物理的方法采用数学公式对车辆动力学进行建模，但由于其固有的简化，无法充分描述复杂的车辆系统。近期基于深度学习的方法通过直接回归车辆动力学解决了这一局限性，但其性能与泛化能力仍有待进一步提升。在本文中，我们提出了一种车辆动力学修正系统来解决这些问题，该系统利用深度神经网络修正物理模型的状态残差，而非直接估计状态。该系统极大降低了网络学习的难度，从而提升了车辆动力学的估计精度。此外，我们开发了一种新颖的基于 Transformer 的动力学残差修正网络 DyTR。该网络将状态残差隐式表示为高维查询，并通过与动力学状态特征交互来迭代更新估计残差。仿真实验表明，所提系统远优于物理模型，且我们提出的 DyTR 模型在动力学状态残差修正任务上取得最佳性能，在两个数据集中分别将简单 3 自由度车辆模型的状态预测误差平均降低了 92.3% 和 59.9%。