面向自动驾驶赛车车辆控制的残差策略学习

自动驾驶赛车的车辆控制器开发具有挑战性，因为赛车在其物理驾驶极限下运行。受性能提升需求的推动，自动驾驶赛车研究已出现大量基于机器学习的控制器。尽管这些方法展现出有竞争力的性能，其实用性常受限制。残差策略学习通过将经典控制器与学习的残差控制器相结合，有望缓解这一缺陷。残差控制器的关键优势在于其高适应性，同时兼具经典控制器的稳定行为。我们提出了一种用于自动驾驶赛车的残差车辆控制器，其学习修正经典控制器以实现赛车线的路径跟踪。在一项广泛研究中，针对 F1TENTH 自动驾驶赛车系列的模拟赛车，评估了我们方法的性能增益。对十二条复现的真实赛道进行的评估表明，与经典控制器相比，残差控制器平均减少圈速 4.55%，甚至能在未知赛道上实现圈速增益。