主动四轮驱动赛车的自主驾驶算法

在处理极限驾驶条件下的自主车辆控制是一项重大挑战，尤其是对于配备主动四轮驱动（A4WD）系统的电动车辆，这些系统提供独立的轮子扭矩控制。虽然传统的车辆动力学控制（VDC）方法使用复杂的基于物理的模型，但本研究探索了深度强化学习（DRL）以开发统一、高性能的控制器。我们采用 Proximal Policy Optimization（PPO）算法训练一个代理，在模拟赛车（TORCS）中以轮胎抓地极限进行最优环 lap 时间。关键的是，代理学习了一个 end-to-end 策略，直接将车辆状态（如速度、加速度和偏航率）映射到方向盘角度命令和每个轮子的独立扭矩命令。这种表述绕过了传统的踏板输入和显式扭矩矢量化算法，使代理能够隐式学习实现高性能和稳定性所必需的 A4WD 控制逻辑。仿真结果表明，RL 代理学习到了复杂的策略，动态优化每个转弯处的轮胎扭矩分布，以增强操控并缓解车辆固有的超稳。所学行为模仿且在抓地利用方面可能超越传统基于物理的 A4WD 控制器，同时实现竞争性的 lap 时间。这一研究强调了 DRL 的潜力，以创建适用于复杂车辆动力学的自适应控制系统，表明 RL 是一种强大的替代方案，可推动自主驾驶在要求较高、抓地受限的场景下的发展，适用于赛车和道路安全。